如何用Numpy向量化表达式计算坐标列表的距离矩阵

首先把坐标列表转换成Numpy数组，这是向量化操作的基础：

import numpy as np

l_coords = [(1, 2), (1.1, 2.2), (1.05, 1.9)]
coords = np.array(l_coords)

方法一：基于广播手动计算欧氏距离 #

利用Numpy的广播机制，直接计算所有点对的欧氏距离：

# 扩展维度实现广播，得到每个点与所有点的坐标差
diff = coords[:, np.newaxis] - coords
# 计算差的平方和，再开根号得到距离矩阵
dist_matrix = np.sqrt(np.sum(diff ** 2, axis=-1))

方法二：用np.linalg.norm简化计算 #

Numpy的线性代数模块提供了范数计算函数，可以更简洁地实现：

dist_matrix = np.linalg.norm(coords[:, None] - coords, axis=-1)

两种方法得到的结果一致，输出的距离矩阵是对称矩阵，其中dist_matrix[i][j]表示第i个点到第j个点的欧氏距离。

内容的提问来源于stack exchange，提问作者David Masip