### 生成随机点并计算距离矩阵 为了实现这一目标，可以利用 `numpy` 提供的功能来完成任务。以下是具体方法： #### 1. 使用 `numpy.random.rand()` 或其他函数生成随机点 通过调用 `numpy.random.rand(dimension, size)` 函数，可以在 `[0, 1)` 范围内生成指定数量的随机点[^1]。如果需要调整到特定范围，则可以通过线性变换将其映射至所需区间。 对于本问题中的需求——生成 10 个二维随机点，代码如下所示： ```python import numpy as np # 定义随机点的数量和维度 num_points = 10 dimensions = 2 # 假设我们需要在 [a, b) 范围内的随机点 a, b = 0, 10 # 设定范围为 [0, 10) # 生成随机点 random_points = (b - a) * np.random.rand(num_points, dimensions) + a print(random_points) ``` 上述代码中 `(b-a)*np.random.rand(...)+a` 是一种常见的线性变换方式，用于将默认的 `[0, 1)` 映射到任意给定范围 `[a, b)` 中。 --- #### 2. 计算两两之间的欧几里得距离矩阵 要构建一个表示每一对点之间距离的距离矩阵，可采用广播机制或内置函数简化操作。这里推荐两种常见做法： ##### 方法一：手动计算 基于公式 \(d_{ij}=\sqrt{\sum_k(x_i[k]-x_j[k])^2}\)，其中 \(i\) 和 \(j\) 表示两个不同的点坐标向量，\(k\) 则代表各维度分量。此过程可通过嵌套循环或者矢量化表达式高效执行。 ```python def compute_distance_matrix(points): num_points = points.shape[0] distance_matrix = np.zeros((num_points, num_points)) for i in range(num_points): for j in range(i+1, num_points): dist = np.linalg.norm(points[i,:] - points[j,:]) distance_matrix[i,j] = dist distance_matrix[j,i] = dist return distance_matrix distance_matrix_manual = compute_distance_matrix(random_points) print(distance_matrix_manual) ``` ##### 方法二：使用高级库功能加速 借助 NumPy 的广播特性和 `scipy.spatial.distance.cdist` 等工具能够更简洁地达成目的。 ```python from scipy.spatial import distance # 使用 cdist 来快速获得所有成对距离 distance_matrix_cdist = distance.cdist(random_points, random_points, 'euclidean') print(distance_matrix_cdist) ``` 这两种方法均能有效求解出所需的欧式距离矩阵；不过第二种方案通常更加优化，在大规模数据集上的表现尤为突出[^4]。 --- ### 总结 综上所述，先定义好随机点数目及其分布区域，再运用适当的技术手段即可轻松获取对应的距离关系表征形式。最终得到的结果是一个大小为 N×N （此处 N=10） 的浮点型数值表格，每一项记录着相应位置处两点间的实际间隔长度。