如何用Numpy生成满足指定两两欧氏距离的高维随机点？

我需要生成N维随机点，约束条件是点与点之间的欧氏距离为已知的精确值，具体参数如下：

• 点的数量 P = 100
• 超空间维度 N = 512

两两距离的总数可通过公式 L = P*(P-1)/2 计算，当P = 100时，L = 4950。我已有包含4950个距离值的列表，每个值对应一组精确的点对组合。

请问能否用Numpy实现该需求？当P = 2（此时L = 1）时实现起来很简单，我想知道能否将其推广到更大的P值？

以下是我针对P = 2的实现代码（set_dist为期望距离值）：

import numpy as np
from sklearn.metrics.pairwise import euclidean_distances

N = 512

set_dist = 5.

point_0 = np.random.rand(N).reshape(1, -1)
point_1 = np.random.rand(N).reshape(1, -1)
rand_dist = euclidean_distances(point_0, point_1)
point_0 = point_0 * set_dist / rand_dist
point_1 = point_1 * set_dist / rand_dist

完全可以用Numpy实现这个需求，核心思路是利用**经典多维尺度分析（Classical MDS）**算法——因为你需要的维度N=512远大于点的数量减一（P-1=99），满足距离矩阵嵌入到高维空间的必要条件（只要你的距离矩阵符合度量空间的基本性质，比如三角不等式、对称性等）。

实现步骤 #

1. 构建对称距离矩阵：将你手中的4950个距离值填充到一个P×P的对称矩阵中，对角线元素设为0（点到自身的距离为0）。
2. 经典MDS计算核心坐标：通过距离矩阵推导内积矩阵，再通过特征值分解得到P-1维的坐标点，这部分坐标已经满足所有两两距离约束。
3. 扩展到N维：将得到的P-1维坐标扩展到N维，剩余的N-(P-1)个维度可以填充随机值（保证点的随机性）。

代码实现 #

import numpy as np
from sklearn.metrics.pairwise import euclidean_distances

# 参数设置
P = 100
N = 512
# 假设你已经有了4950个距离值的列表dist_list
# dist_list = [d1, d2, ..., d4950]

# 1. 构建对称距离矩阵D
D = np.zeros((P, P))
triu_indices = np.triu_indices(P, k=1)  # 上三角（不含对角线）的索引
D[triu_indices] = dist_list
D = D + D.T  # 对称化，填充下三角

# 2. 经典MDS计算核心坐标
# 计算中心化矩阵
H = np.eye(P) - np.ones((P, P)) / P
# 计算内积矩阵B
B = -0.5 * H @ (D ** 2) @ H
# 特征值分解
eigenvalues, eigenvectors = np.linalg.eig(B)
# 筛选正特征值（忽略极小数值误差）
idx = eigenvalues.argsort()[::-1]
eigenvalues = eigenvalues[idx]
eigenvectors = eigenvectors[:, idx]
positive_idx = eigenvalues > 1e-8
core_coords = eigenvectors[:, positive_idx] @ np.diag(np.sqrt(eigenvalues[positive_idx]))

# 3. 扩展到N维：核心坐标占前P-1维，剩余维度填充随机值
rand_part = np.random.rand(P, N - core_coords.shape[1])
final_points = np.hstack([core_coords, rand_part])

# 验证：检查生成点的距离是否与原距离一致
computed_dist = euclidean_distances(final_points)
print(np.allclose(computed_dist, D, atol=1e-6))  # 合法距离矩阵会输出True

补充说明 #

• 如果你的距离矩阵违反度量空间性质（比如不满足三角不等式），MDS会生成尽可能接近目标距离的点，但无法完全精确匹配，所以确保距离列表是合法的度量距离。
• 扩展维度时的随机值可按需调整，比如从正态分布采样或缩放至特定范围，不会影响核心的距离约束。

内容的提问来源于stack exchange，提问作者qgius