import numpy as np np.random.seed(1) features_matrix = (116.429283, 39.858192) dist_matrix = np.sqrt(((np.expand_dims(features_matrix,0) - np.expand_dims(features_matrix, 1))**2).sum(axis = 2)) print(dist_matrix)

这段代码的目的是计算一个点集中所有点之间的欧氏距离，并将距离矩阵打印出来。

但是，这段代码中的 features_matrix 只是一个包含两个浮点数的元组，不是一个点集。如果您想计算一个点集中所有点之间的距离，您需要将点集表示成一个 numpy 数组。

另外，由于计算距离的方法是通过将点集中的每个点扩展为一个行向量和列向量，然后使用 numpy 的广播机制计算它们之间的距离，因此这个方法对于大型的点集来说可能会很慢。

以下是一个示例代码，可以计算一个包含 5 个点的点集中所有点之间的距离：

import numpy as np

np.random.seed(1)
points = np.random.rand(5, 2)  # 生成一个包含 5 个点的点集，每个点有两个坐标值
dist_matrix = np.sqrt(((points[:, np.newaxis, :] - points[np.newaxis, :, :])**2).sum(axis = 2))
print(dist_matrix)

这里使用了 numpy 的广播机制，将 points 数组扩展为一个形状为 (5, 1, 2) 的数组和一个形状为 (1, 5, 2) 的数组，然后按照第二个轴计算它们之间的距离。最终得到的 dist_matrix 是一个形状为 (5, 5) 的对称矩阵，它的对角线元素为 0，表示每个点到自己的距离为 0。