iris_data计算测试样本z和每个训练样本间的距离，其中距离分别采用欧氏距离L2、曼哈顿距离L1、闵可夫斯基距离Lp(p=0.5)

首先，我们需要导入需要的库并加载iris数据集：

from sklearn.datasets import load_iris
import numpy as np

iris = load_iris()
X_train = iris.data
y_train = iris.target
X_test = np.array([[5.1, 3.5, 1.4, 0.2], [6.2, 2.9, 4.3, 1.3], [7.3, 2.8, 6.3, 1.8]])

接下来，我们可以计算测试样本z和每个训练样本间的欧氏距离L2：

L2_distances = np.sqrt(np.sum((X_train - z) ** 2, axis=1))

其中，z为测试样本，X_train为训练样本，np.sum((X_train - z) ** 2, axis=1)计算的是每个训练样本与测试样本的差的平方和，再开方即可得到欧氏距离L2。

接下来，我们可以计算测试样本z和每个训练样本间的曼哈顿距离L1：

L1_distances = np.sum(np.abs(X_train - z), axis=1)

其中，np.abs(X_train - z)计算的是每个训练样本与测试样本的差的绝对值，再求和即可得到曼哈顿距离L1。

最后，我们可以计算测试样本z和每个训练样本间的闵可夫斯基距离Lp(p=0.5)：

Lp_distances = np.sum(np.power(np.abs(X_train - z), 0.5), axis=1)

其中，np.power(np.abs(X_train - z), 0.5)计算的是每个训练样本与测试样本的差的绝对值开0.5次方，再求和即可得到闵可夫斯基距离Lp(p=0.5)。