如何用NumPy高效计算点集的两两距离矩阵？

对于一维点集，想要高效计算每个点与其他点的距离矩阵，NumPy的广播机制是最优方案——它基于底层C实现，完全规避了Python循环的开销，处理大规模数据时效率碾压自定义Python函数。

实现代码 #

先看基础示例：

import numpy as np

# 生成示例点集
points = np.random.randint(0, 11, size=10)
# 输出示例：[ 5  4  9  7  4  1  2 10  4  2]

# 计算绝对距离矩阵
distance_matrix = np.abs(points[:, np.newaxis] - points)

原理说明 #

• points[:, np.newaxis] 将一维数组转换为列向量（形状从 (10,) 变为 (10,1)）
• 列向量与原一维数组做减法时，NumPy会自动触发广播机制：列向量被扩展为 (10,10)，原数组被扩展为 (10,10)，逐元素相减后取绝对值，直接得到所有点对的距离矩阵。

大规模数据测试 #

针对10000个点的场景，测试效率：

large_points = np.random.randint(0, 1000, size=10000)
# 用IPython的%timeit测试耗时
%timeit np.abs(large_points[:, np.newaxis] - large_points)

实测耗时通常在几十毫秒级别，远低于你之前自定义函数的0.44秒。

扩展：平方距离矩阵 #

如果不需要绝对值（比如后续计算欧氏距离平方），可以直接省略np.abs：

square_distance_matrix = (large_points[:, np.newaxis] - large_points) ** 2

为什么比自定义函数高效？ #

自定义函数通常依赖Python循环遍历点对，每一次循环都要经过Python解释器的开销；而NumPy的广播操作是在C语言层面完成的，还能利用CPU的向量优化指令（如SIMD），把整个运算转化为数组级别的批量操作，效率提升几个数量级。

内容的提问来源于stack exchange，提问作者Mandias