平面上有100个点，求任意2点间的欧式距离，并将其保存到矩阵当中 python编写

### 回答1：
以下是 Python 代码，可以生成一个 $100 \times 100$ 的矩阵，其中第 $i$ 行第 $j$ 列的元素表示第 $i$ 个点和第 $j$ 个点之间的欧式距离：

import numpy as np

# 生成100个随机点的坐标
points = np.random.rand(100, 2)

# 计算欧式距离矩阵
dist_matrix = np.zeros((100, 100))
for i in range(100):
    for j in range(i+1, 100):
        dist_matrix[i, j] = np.sqrt(np.sum((points[i] - points[j])**2))
        dist_matrix[j, i] = dist_matrix[i, j]

# 输出距离矩阵
print(dist_matrix)

首先，我们使用 `numpy.random.rand` 生成一个 $100 \times 2$ 的数组 `points`，其中每一行表示一个点的坐标。

然后，我们使用两个嵌套的循环来计算任意两个点之间的欧式距离。在内层循环中，我们使用 `numpy.sqrt` 和 `numpy.sum` 计算两个点之间的距离。我们将这个距离存储在距离矩阵 `dist_matrix` 中，同时将距离矩阵转化为对称矩阵，因为两个点之间的距离是对称的。

最后，我们打印出距离矩阵。

### 回答2：
平面上有100个点，求任意2点间的欧式距离，并将其保存到矩阵中可以用Python编写。

首先，我们需要使用`numpy`库来创建一个100x100的零矩阵来保存距离：

import numpy as np

# 创建一个100x100的零矩阵
dist_matrix = np.zeros((100, 100))

然后，我们可以使用两层嵌套循环计算任意两个点之间的欧式距离，并将结果保存到矩阵中：

for i in range(100):
    for j in range(i+1, 100):  # 避免计算重复的距离
        # 假设点的坐标保存在一个名为points的列表中
        x1, y1 = points[i]
        x2, y2 = points[j]
        
        # 计算欧式距离
        distance = ((x2 - x1) ** 2 + (y2 - y1) ** 2) ** 0.5
        
        # 将距离保存到矩阵中
        dist_matrix[i][j] = distance
        dist_matrix[j][i] = distance  # 由于欧式距离是对称的，所以也保存到对应位置

最后，我们可以打印出矩阵以查看结果：

print(dist_matrix)

完整的代码如下：

import numpy as np

# 创建一个100x100的零矩阵
dist_matrix = np.zeros((100, 100))

for i in range(100):
    for j in range(i+1, 100):
        # 假设点的坐标保存在一个名为points的列表中
        x1, y1 = points[i]
        x2, y2 = points[j]
        
        # 计算欧式距离
        distance = ((x2 - x1) ** 2 + (y2 - y1) ** 2) ** 0.5
        
        # 将距离保存到矩阵中
        dist_matrix[i][j] = distance
        dist_matrix[j][i] = distance

print(dist_matrix)

此代码将计算完所有点之间的欧式距离，并将其保存在名为`dist_matrix`的矩阵中。

### 回答3：
要求用Python编写一个程序，计算平面上100个点间的欧氏距离，并将结果保存到矩阵中。

首先，我们需要导入NumPy库，用于处理数值运算和矩阵操作。

import numpy as np

接下来，我们生成一个包含100个点的随机点集。假设这些点的坐标范围在[0, 100]之间。

points = np.random.randint(0, 100, size=(100, 2))

接下来，我们创建一个100x100的零矩阵，用于保存任意2点间的欧氏距离。

distances = np.zeros((100, 100))

然后，我们使用两层循环遍历所有点的组合，并计算它们之间的欧氏距离。

for i in range(100):
    for j in range(i+1, 100):
        point1 = points[i]
        point2 = points[j]
        distance = np.linalg.norm(point1 - point2)
        distances[i][j] = distance
        distances[j][i] = distance

在上述循环中，我们使用了NumPy的`linalg.norm`函数来计算两点之间的欧氏距离，并将结果保存到矩阵相应的位置。

最后，我们可以打印输出这个距离矩阵。

print(distances)

完整的代码如下：

import numpy as np

points = np.random.randint(0, 100, size=(100, 2))
distances = np.zeros((100, 100))

for i in range(100):
    for j in range(i+1, 100):
        point1 = points[i]
        point2 = points[j]
        distance = np.linalg.norm(point1 - point2)
        distances[i][j] = distance
        distances[j][i] = distance

print(distances)

运行代码后，你将得到一个100x100的矩阵，其中每个元素代表了对应两个点之间的欧式距离。