平面上有100个点，使用Spyder软件求任意两点间的欧式距离，并将其保存。

在Python中，我们可以使用`matplotlib.pyplot`库中的`scatter`函数先将100个点绘制在平面上，然后利用`numpy`库计算任意两点之间的欧式距离。Spyder是一个集成开发环境（IDE），但它本身并不直接提供计算两点间距离的功能；不过，你可以通过编写脚本来实现这个功能。

首先，假设我们已经有了100个二维坐标点的数据存储在一个数组`points`中，每个元素都是一个包含两个数值的元组代表x和y坐标。以下是一个简单的步骤：

1. 导入所需的库：

import matplotlib.pyplot as plt
import numpy as np

2. 定义数据点并创建散点图：

points = ... # 假设这是你的100个点的具体坐标
plt.scatter(*zip(*points), label='Points')  # 使用*和zip(*)展开点坐标
plt.title('Euclidean Distance Between Points')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()

3. 计算并保存距离：

# 创建一个全零矩阵来储存距离，形状与点的数量相同
distances = np.zeros((len(points), len(points)))

# 使用numpy的broadcasting计算所有组合的欧氏距离
for i in range(len(points)):
    for j in range(i + 1, len(points)):  # 不计算对角线距离
        distances[i, j] = np.sqrt(np.sum((points[i] - points[j])**2))
        distances[j, i] = distances[i, j]  # 对称性

# 如果需要保存距离矩阵，可以使用pandas DataFrame
import pandas as pd
df_distances = pd.DataFrame(distances, index=range(len(points)), columns=range(len(points)))
df_distances.to_csv('euclidean_distances.csv', index=False)

在这个过程中，你需要实际替换`points`变量为你的数据。注意，如果你的点数量非常大，那么直接计算所有配对的距离可能会比较耗时，这时可以考虑优化算法或者使用稀疏矩阵表示。