本关任务:使用python编写一个能计算样本间欧式距离与曼哈顿距离的方法。

要编写一个能计算样本间欧式距离与曼哈顿距离的Python方法，我们需要明确距离的定义以及如何计算距离。

首先，欧式距离是指在n维空间中两个点之间的距离，也被称为直线距离。在二维平面上，欧式距离可以用勾股定理计算：$d(P,Q)=\sqrt{(x_1 - y_1)^2 + (x_2 - y_2)^2}$。在n维空间中，可以类似地推导得到欧式距离的公式。我们可以用numpy库来方便地实现欧式距离的计算。

其次，曼哈顿距离是指在n维空间中，从一个点到另一个点沿着坐标轴的距离之和。在二维平面上，曼哈顿距离可以用两点的横坐标差的绝对值加上两点的纵坐标差的绝对值计算：$d(P,Q)=|x_1 - y_1| + |x_2 - y_2|$。在n维空间中也是类似地推导，可以得到曼哈顿距离的公式。我们可以用numpy库来方便地实现曼哈顿距离的计算。

因此，我们可以编写一个Python方法，该方法将两个点的坐标数组作为输入参数，并返回它们之间的欧式距离和曼哈顿距离。可以使用numpy库中的square和sum函数来计算欧式距离的平方以及曼哈顿距离的绝对值。具体示例如下：

import numpy as np

def distance(p, q):
    """
    计算两个点之间的欧式距离和曼哈顿距离
    :param p: 一个点的坐标数组
    :param q: 另一个点的坐标数组
    :return: 欧式距离和曼哈顿距离
    """
    # 计算欧式距离
    euclidean = np.sqrt(np.sum(np.square(p - q)))

    # 计算曼哈顿距离
    manhattan = np.sum(np.abs(p - q))

    return euclidean, manhattan

在上面的示例中，我们使用numpy库中的sqrt、sum和abs函数来计算欧式距离和曼哈顿距离。现在，我们可以使用distance方法来计算任意两点之间的距离了。