如何高效计算矩阵A与B对应行之间的欧氏距离？

嘿，这个需求太常见了——没必要绕弯子算所有行对的距离再取对角线，直接针对对应行计算欧氏距离才是最高效的路子！

核心思路很简单：欧氏距离的本质就是对应元素差的平方和的平方根，我们直接基于这个公式用向量化运算实现，完全避开全量行对距离的冗余计算。

方法1：基础向量化运算（R/Python通用逻辑） #

在R中实现 #

假设A和B是行数、列数都一致的矩阵，一行代码就能搞定：

row_euclidean_dist <- sqrt(rowSums((A - B)^2))

• A - B：直接计算对应元素的差值，得到同维度的差值矩阵
• (A - B)^2：对每个差值求平方
• rowSums()：按行求和，得到每行对的平方和
• sqrt()：对平方和开根号，最终得到对应行的欧氏距离向量

在Python中实现（基于numpy） #

同样的逻辑，用numpy的向量化运算完成：

import numpy as np
row_euclidean_dist = np.sqrt(np.sum((A - B)**2, axis=1))

• axis=1指定按行求和，和R里的rowSums()作用完全一致

为什么这个方法比rdist取对角线高效？ #

• 无冗余计算：rdist()会计算所有n×n行对的距离，但我们只需要n个对角线值——当矩阵行数很大（比如上万行）时，这种冗余会浪费大量计算时间和内存
• 底层优化加持：基础矩阵运算都是经过BLAS/LAPACK（R）或C级优化（numpy）的，速度远快于循环，甚至比调用专门的距离函数更直接
• 零额外依赖：不需要加载fields（rdist所属包）这类第三方库，用基础工具就能完成

极端场景优化（内存紧张时） #

如果矩阵特别庞大，内存不足以存储A-B的差值矩阵，可以退而求其次用逐行计算（虽然向量化还是更快，但极端情况可以应急）：

R示例 #

row_euclidean_dist <- numeric(nrow(A))
for (i in 1:nrow(A)) {
  row_euclidean_dist[i] <- sqrt(sum((A[i,] - B[i,])^2))
}

Python示例 #

row_euclidean_dist = np.zeros(A.shape[0])
for i in range(A.shape[0]):
    row_euclidean_dist[i] = np.sqrt(np.sum((A[i] - B[i])**2))

内容的提问来源于stack exchange，提问作者user5054