如何在Python中高效计算Numpy数组相邻元素间的距离？

完全理解你的需求——要处理数千个元素的数组，还得重复执行，必须用Numpy原生的高效方法，避开scipy的依赖问题对吧？

这里有个纯Numpy的向量化实现，速度快到飞起，完全符合你的要求：

核心思路 #

利用Numpy的向量化操作（底层C实现，比Python循环快几个数量级），分三步完成：

• 计算相邻元素的坐标差值
• 对差值平方后求和（得到距离的平方）
• 开根号得到实际距离，再补上第一个元素的0值

代码实现 #

import numpy as np

# 你的示例数组
arr = np.array([[1, 1, 0. ], [2 , 2, 0. ], [3 , 3, 1 ]])

# 计算相邻元素的差值平方和的平方根
distances = np.sqrt((np.diff(arr, axis=0)**2).sum(axis=1))
# 补上第一个元素的0值
result = np.concatenate([[0], distances])

print(result)
# 输出：[0.         1.41421356 1.73205081]

为什么高效？ #

• np.diff(arr, axis=0)：直接生成所有相邻元素的差值数组，完全向量化，没有循环
• 平方、求和、开根号都是Numpy的内置函数，全部在底层优化过，处理数千甚至数万个元素毫无压力
• 整个过程没有额外依赖，纯Numpy搞定，完美解决你之前的依赖问题

扩展说明 #

如果你的数组维度不同（比如每个元素是2维坐标），这段代码也能直接用——axis=1会自动对每个元素的所有维度求和，不需要修改任何参数。

内容的提问来源于stack exchange，提问作者Alex_6