在NumPy中计算坐标间欧氏距离的代码逻辑疑问

假设你写的是NumPy中计算欧氏距离的标准两行代码（毕竟这是最常用的实现方式），我来拆解它们的作用和背后的原理：

先看最典型的写法：

diff = x1 - x2
distance = np.sqrt(np.sum(diff ** 2))

或者另一种更简洁的变体：

diff = x1 - x2
distance = np.linalg.norm(diff)

第一行：diff = x1 - x2 #

这一步是计算两个坐标点对应维度的差值：

• 假设x1和x2是代表n维空间点的NumPy数组（比如x1 = np.array([1, 2])，x2 = np.array([4, 6])）。
• NumPy的数组减法是逐元素操作，每个维度的数值会分别相减，得到的diff数组里的每个元素就是对应维度的差值（上面的例子里diff会是[-3, -4]）。
• 这正好对应欧氏距离公式的第一步：对每个维度计算(x_i - y_i)。

第二行的两种实现逻辑 #

情况1：distance = np.sqrt(np.sum(diff ** 2)) #

这一行完整实现了欧氏距离的核心计算：

1. diff ** 2：对diff里的每个元素做平方操作，对应公式中的(x_i - y_i)^2；
2. np.sum(...)：把所有平方后的元素求和，对应公式里的Σ(x_i - y_i)^2；
3. np.sqrt(...)：对求和结果开平方根，得到最终的欧氏距离√Σ(x_i - y_i)^2。

情况2：distance = np.linalg.norm(diff) #

np.linalg.norm是NumPy线性代数模块的范数计算函数，默认计算的是L2范数——而L2范数的定义恰好就是欧氏距离。

• 它内部和第一种情况做了完全相同的操作（平方→求和→开根号），只是把这些步骤封装成了更简洁的函数调用，适合追求代码简洁性的场景。

举个直观的例子验证：

import numpy as np
x1 = np.array([0, 0])  # 原点
x2 = np.array([3, 4])  # 3-4-5直角三角形的顶点
diff = x1 - x2  # 得到 [-3, -4]
distance = np.sqrt(np.sum(diff ** 2))  # 计算√(9+16)=5，和手动计算结果一致

内容的提问来源于stack exchange，提问作者Mudits