### 计算平面上100个点之间任意两点的欧式距离 为了计算平面上 100 个点之间任意两点的欧式距离，可以利用 Python 中的 NumPy 库高效实现这一目标。以下是详细的解决方案： #### 数据生成 首先需要生成 100 个二维坐标点。这些点可以用一个形状为 `(100, 2)` 的 NumPy 数组表示，每一行代表一个点的 `[x, y]` 坐标。 ```python import numpy as np # 随机生成 100 个二维坐标点 np.random.seed(42) # 设置随机种子以保证可重复性 points = np.random.rand(100, 2) * 100 # 将范围限定在 [0, 100] ``` #### 欧式距离计算 对于给定的两个点 \( (x_1, y_1) \) 和 \( (x_2, y_2) \)，其欧式距离公式为： \[ d = \sqrt{(x_1 - x_2)^2 + (y_1 - y_2)^2} \] NumPy 提供了高效的广播机制和向量化操作，因此无需手动编写循环即可快速计算所有点对之间的距离矩阵。 ```python def compute_distance_matrix(points): """ 计算点集 points 中每一对点之间的欧式距离矩阵。 参数: points (ndarray): 形状为 (n_points, 2) 的数组，表示 n_points 个二维点 返回: distance_matrix (ndarray): 形状为 (n_points, n_points) 的距离矩阵 """ diff_sq = np.sum((points[:, np.newaxis, :] - points[np.newaxis, :, :]) ** 2, axis=-1) distance_matrix = np.sqrt(diff_sq) return distance_matrix distance_matrix = compute_distance_matrix(points) print(distance_matrix.shape) # 输出应为 (100, 100) ``` 在此代码中，`(points[:, np.newaxis, :] - points[np.newaxis, :, :])` 创建了一个三维数组，用于存储每一对点坐标的差异。随后通过对平方差求和再开方得到最终的距离矩阵[^1]。 #### 结果验证 可以通过打印部分结果来验证距离矩阵是否正确： ```python # 打印前 5 个点与其他点的距离 for i in range(5): print(f"Point {i} distances: {distance_matrix[i][:5]}") ``` --- ### 注意事项 1. **性能优化**: 当点的数量较大时（如超过几千），直接构建完整的距离矩阵可能会占用大量内存。此时可以考虑逐批计算或使用稀疏矩阵技术减少资源消耗[^3]。 2. **数值稳定性**: 在某些极端情况下（例如浮点精度误差），可能导致负数出现在平方根内部。可通过 `np.clip` 函数将输入值限制在一个合理的范围内避免此问题[^4]。 --- ### 示例应用 以下是一个简单的可视化例子，展示如何根据距离矩阵找到最近邻点： ```python nearest_neighbors = np.argmin(distance_matrix + np.eye(len(points)) * np.inf, axis=1) for i in range(5): print(f"Nearest neighbor of point {i}: Point {nearest_neighbors[i]}") ``` 此处通过在对角线上填充无穷大值排除自点干扰，从而找出每个点的最近邻居[^2]。 ---