Python对使用650行8列的CSV数据集的前7列预测第8列，以给定的第100行和200行两点为中心点，计算300个数据与之距离，并定义为结果1。

好的，首先我们需要导入必要的Python库，如pandas、numpy和scikit-learn：

import pandas as pd
import numpy as np
from sklearn.neighbors import DistanceMetric

接着，我们可以使用pandas库读取CSV文件：

data = pd.read_csv('data.csv')

假设第8列的名称为"target"，我们可以用以下代码来分离输入和输出：

X = data.iloc[:, :7].values
y = data.iloc[:, 7].values

现在，我们需要将给定的100行和200行作为中心点，并计算其余300行与之的距离。我们可以使用scikit-learn库中的DistanceMetric类来计算两点间的距离。以下是代码：

# 定义中心点
center1 = X[99]
center2 = X[199]

# 获取其余300行数据
X_other = np.concatenate((X[:99], X[100:199], X[200:]))

# 计算所有数据与中心点的距离
dist = DistanceMetric.get_metric('euclidean')
distances1 = dist.pairwise([center1], X_other)
distances2 = dist.pairwise([center2], X_other)

这段代码首先定义了两个中心点，然后使用NumPy库的concatenate函数将除了这两个中心点外的所有数据合并为一个新的数组X_other。接着，我们使用DistanceMetric类的pairwise函数计算两个中心点与所有其他数据点之间的距离，结果分别存储在distances1和distances2中。

最后，我们将这些距离定义为结果1：

result1 = np.concatenate((distances1, distances2)).flatten()

这段代码首先使用NumPy库的concatenate函数将两个距离数组合并为一个新的数组，然后使用flatten函数将其展平为一维数组。这个一维数组就是我们要的结果1。

完整代码如下：

import pandas as pd
import numpy as np
from sklearn.neighbors import DistanceMetric

# 读取CSV文件
data = pd.read_csv('data.csv')

# 分离输入和输出
X = data.iloc[:, :7].values
y = data.iloc[:, 7].values

# 定义中心点
center1 = X[99]
center2 = X[199]

# 获取其余300行数据
X_other = np.concatenate((X[:99], X[100:199], X[200:]))

# 计算所有数据与中心点的距离
dist = DistanceMetric.get_metric('euclidean')
distances1 = dist.pairwise([center1], X_other)
distances2 = dist.pairwise([center2], X_other)

# 定义结果1
result1 = np.concatenate((distances1, distances2)).flatten()