### 使用Python和常用机器学习库计算基于欧氏距离的特征距离矩阵 为了计算两个样本之间的欧氏距离，可以利用`scikit-learn`中的`pairwise_distances`函数或是直接通过`numpy`操作完成。下面分别介绍这两种方法。 #### 方法一：使用 `scikit-learn` `sklearn.metrics.pairwise_distances` 函数能够方便地用于计算不同类型的两两点间距离，包括但不限于欧氏距离。对于给定的数据集，只需指定度量方式即可获得所需的距离矩阵[^1]。 ```python from sklearn.metrics import pairwise_distances import numpy as np # 假设有一个形状为 (n_samples, n_features) 的数据集 X X = np.random.rand(5, 3) # 计算所有样本间的欧氏距离矩阵 distance_matrix = pairwise_distances(X, metric='euclidean') print(distance_matrix) ``` 此代码片段展示了如何快速构建任意数量样本及其对应特征维度下的欧氏距离矩阵。这里使用的随机生成的小型数据集仅作为示范用途[^4]。 #### 方法二：纯 `numpy` 实现 除了借助于高级别的封装接口外，还可以采用更底层的方式——即完全依靠`numpy`来进行向量化运算来求解同样的问题。这种方法虽然稍微复杂一些，但对于理解内部机制非常有帮助。 ```python def euclidean_distance_matrix(data_points): """ Calculate the Euclidean distance matrix between all pairs of points. Parameters: data_points : array-like, shape=(n_samples, n_features) Input data. Returns: dist_mat : ndarray, shape=(n_samples, n_samples) Matrix containing distances between each pair of samples. """ # 将输入转换成 NumPy 数组并确保其为浮点类型 dp = np.asarray(data_points).astype(np.float64) # 获取样本数目 num_samples = dp.shape[0] # 初始化一个全零方阵存储最终的结果 dist_mat = np.zeros((num_samples, num_samples)) for i in range(num_samples): for j in range(i + 1, num_samples): diff = dp[i] - dp[j] squared_diff_sum = np.dot(diff.T, diff) dist_mat[i][j] = dist_mat[j][i] = np.sqrt(squared_diff_sum) return dist_mat if __name__ == "__main__": # 创建示例数据集 example_data = [[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]] result = euclidean_distance_matrix(example_data) print(result) ``` 上述自定义函数实现了对传入的数据集中每一对观测值之间应用欧几里得公式\[d(x^{(i)},x^{(j)})=\sqrt{\sum_k{(x_k^{(i)}-x_k^{(j)})^2}}\]\(^{[^5]}\)，从而得到完整的距离表征形式。