用欧式距离计算矩阵python

在Python中，我们可以使用scipy库的`distance.pdist()`函数来计算欧式距离矩阵。欧式距离是一种衡量两个向量间差异的标准度量，它简单地是两个向量对应元素差值平方的和的平方根。以下是计算欧式距离矩阵的基本步骤：

from scipy.spatial.distance import pdist, squareform

# 假设我们有两个二维数组，表示两组数据点
points_A = [[x1, y1], [x2, y2], ...]  # 数据集A
points_B = [[x1', y1'], [x2', y2'], ...]  # 数据集B

# 使用pdist计算每对样本之间的距离
pairwise_distances = pdist(points_A, metric='euclidean')

# 如果需要得到完整的距离矩阵（每个样本与其他所有样本的距离），可以使用squareform函数
full_distance_matrix = squareform(pairwise_distances)

在这个例子中，`metric='euclidean'`指定了我们要计算的是欧式距离。`pdist()`返回的是一个一维数组，表示每对样本的距离，而`squareform()`将其转换为二维数组。