iris_data计算测试样本z和每个训练样本间的距离

假设iris_data数据集有n个训练样本和m个测试样本，每个样本有d个特征。我们可以用欧式距离来计算测试样本z和每个训练样本之间的距离。具体的，对于测试样本z中的每一个特征值，我们可以计算它与训练样本中对应特征值之差的平方，然后将所有特征值之差的平方相加并取平方根即可得到测试样本z与该训练样本之间的欧式距离。这个过程可以用以下代码实现：

import numpy as np

def euclidean_distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2)**2))

# 计算测试样本z和每个训练样本间的距离
def get_distances(X_train, X_test):
    num_train = X_train.shape[0]
    num_test = X_test.shape[0]
    distances = np.zeros((num_test, num_train))
    for i in range(num_test):
        for j in range(num_train):
            distances[i,j] = euclidean_distance(X_test[i], X_train[j])
    return distances

其中，X_train和X_test分别是训练集和测试集，它们的形状分别为(n,d)和(m,d)，即n个训练样本和m个测试样本，每个样本有d个特征。函数euclidean_distance计算两个样本之间的欧式距离，get_distances函数则遍历测试集中每个样本，以及训练集中每个样本，利用euclidean_distance函数计算它们之间的距离，并将结果存储在一个二维数组distances中。最终，返回distances即可。