### 使用Python生成欧几里得距离矩阵的代码 以下是基于提供的参考资料以及专业知识编写的用于计算多个点之间欧几里得距离并生成距离矩阵的代码： ```python import numpy as np def generate_euclidean_distance_matrix(points): """ 计算一组点之间的欧几里得距离矩阵。 参数: points (np.ndarray): 形状为 (n, d) 的数组，表示 n 个 d 维空间中的点。 返回: np.ndarray: 形状为 (n, n) 的距离矩阵，其中第 (i,j) 项代表第 i 和 j 点之间的欧几里得距离。 """ # 检查输入是否合法 if not isinstance(points, np.ndarray) or len(points.shape) != 2: raise ValueError("Input should be a 2D numpy array.") # 输入合法性检查[^2] # 获取点的数量和维度 num_points = points.shape[0] # 初始化距离矩阵 distance_matrix = np.zeros((num_points, num_points)) # 遍历每一对点计算欧几里得距离 for i in range(num_points): for j in range(i + 1, num_points): dist = np.linalg.norm(points[i] - points[j]) # 使用 NumPy 的 linalg.norm 方法计算欧几里得距离[^1] distance_matrix[i][j] = dist distance_matrix[j][i] = dist # 对称性质填充另一半 return distance_matrix # 测试代码 if __name__ == "__main__": points_array = np.array([[1, 2], [3, 4], [5, 6]]) matrix_result = generate_euclidean_distance_matrix(points_array) print("Euclidean Distance Matrix:") print(matrix_result) ``` 这段代码定义了一个名为 `generate_euclidean_distance_matrix` 的函数来接收一个二维 Numpy 数组作为参数，该数组每一行代表一个高维空间中的点。通过双重循环迭代所有可能的点对组合，并利用 `numpy.linalg.norm` 来高效地计算它们之间的欧几里得距离，最后构建完整的距离矩阵。 #### 基于Scipy优化版本 为了进一步提升效率，还可以采用 Scipy 库中专门设计用来批量计算成对距离的子模块 `scipy.spatial.distance.cdist` : ```python from scipy.spatial import distance def fast_generate_euclidean_distance_matrix(points): """ 更高效的实现方式：使用 SciPy 的 cdist 函数快速生成欧几里得距离矩阵。 """ return distance.cdist(points, points, 'euclidean') # 调用 cdist 自动化处理整个过程[^3] # 测试部分保持不变即可重复上面的例子验证效果... ``` 这种做法不仅简洁明了而且执行速度更快尤其适合大规模数据集上的操作需求。 --- ### 注意事项 无论是手动编写还是依赖现有工具都需要关注输入数据的质量控制比如确认传入的是有效形状正确的 ndarray 类型对象；另外对于非常庞大的样本集合来说内存消耗可能会成为瓶颈因此实际部署前务必做好相应评估测试工作。