Pandas如何高效生成所有行两两欧氏距离的16x16 DataFrame

首先提取坐标列的numpy数组备用：

coords = df[['cx', 'cy']].values

方法1：scipy pdist实现（最推荐） #

专门用于点对距离计算的API，代码最简洁，自动输出符合要求的方阵：

from scipy.spatial.distance import pdist, squareform
import pandas as pd

# 计算所有点对的欧氏距离，输出压缩形式的一维数组
dist_compress = pdist(coords, metric='euclidean')
# 转换为16×16的距离方阵，对角线自动为0
dist_matrix = squareform(dist_compress)
# 转换为DataFrame，行名列名默认继承原df的索引，可按需调整
df_distances = pd.DataFrame(dist_matrix, index=df.index, columns=df.index)

方法2：纯numpy广播实现（无第三方依赖需求时用） #

仅用numpy的广播机制实现，不需要额外安装其他库：

import numpy as np
import pandas as pd

# 维度扩展后广播计算坐标差
coord_diff = coords[:, np.newaxis, :] - coords[np.newaxis, :, :]
# 沿最后一个维度计算二范数，即欧氏距离
dist_matrix = np.linalg.norm(coord_diff, axis=2)
df_distances = pd.DataFrame(dist_matrix, index=df.index, columns=df.index)

方法3：sklearn pairwise_distances实现（已有sklearn环境时用） #

如果项目已经引入sklearn，可直接调用其封装好的距离计算接口：

from sklearn.metrics.pairwise import euclidean_distances
import pandas as pd

dist_matrix = euclidean_distances(coords)
df_distances = pd.DataFrame(dist_matrix, index=df.index, columns=df.index)

以上三种方案均为向量化的底层C实现，既避免了手写双重循环的繁琐，运行效率也远高于Python原生循环，且自动保证对角线为0的要求。

内容的提问来源于stack exchange，提问作者JDS