平面上有100个点，求任意两点间的欧式距离，并将其保存；提示：使用np.linspace（）函数； n=100，给出完整代码，并详细解释一下

在Python中，我们可以使用NumPy库的`linspace()`函数生成100个均匀分布的点，并通过计算数组的差来得到任意两点之间的欧氏距离。首先，我们需要导入必要的库并创建数组。以下是一个完整的代码示例：

import numpy as np

# 创建1到100之间等间距的100个点
n = 100
points = np.linspace(1, 100, n)  # 这里生成了从1到100，步长为1的一维数组

# 欧式距离矩阵：对于每个点i和j(i < j)，计算它们的距离并保存在一个二维数组中
distance_matrix = np.zeros((n, n))  # 初始化一个全零的(n, n)大小的矩阵
for i in range(n):
    for j in range(i+1, n):  # 避免重复计算，因为距离是对称的
        distance_matrix[i][j] = np.sqrt(np.sum((points[i] - points[j])**2))
        distance_matrix[j][i] = distance_matrix[i][j]  # 保存对称的值

# 你可以选择只保存上三角部分，因为距离是对称的
upper_triangle = distance_matrix[np.triu_indices(n, k=1)]

# 现在，upper_triangle包含了所有非对角线上的距离

在这个代码中，我们使用了两个嵌套循环来计算每一对点之间的距离。`sqrt(np.sum((points[i] - points[j])**2))`这部分就是计算两点间欧氏距离的公式。最后，`np.triu_indices(n, k=1)`用于获取距离矩阵的上三角部分。