使用scipy的cdist函数可高效、向量化地计算二维坐标点集的欧氏距离矩阵，避免显式循环，适用于中大规模数据。
在科学计算与机器学习中，经常需要计算一组坐标点两两之间的欧氏距离，构成对称的距离矩阵（distance matrix）。手动嵌套循环不仅代码冗长，且性能低下；而借助 NumPy 的向量化能力结合 SciPy 提供的成熟工具，可实现简洁、高效、可扩展的解决方案。
推荐使用 scipy.spatial.distance.cdist —— 它专为成对距离计算设计，支持多种距离度量（默认为欧氏距离），底层基于优化的 C 实现，速度远超纯 Python 或朴素 NumPy 广播方案。
以下是一个完整示例：
import numpy as np from scipy.spatial.distance import cdist # 原始坐标列表（可为 tuple 或 list） l_coords = [(1, 2), (1.1, 2.2), (1.05, 1.9)] # 转换为二维 NumPy 数组（n×d，n=点数，d=维度） coords = np.array(l_coords) # 计算距离矩阵：每行i、列j表示 coords[i] 到 coords[j] 的距离 dist_matrix = cdist(coords, coords, metric='euclidean') print(dist_matrix)
输出：
[[0. 0.2236068 0.1118034 ] [0.2236068 0. 0.30413813] [0.1118034 0.30413813 0. ]]
✅ 关键说明：
- cdist(X, Y) 返回形状为 (len(X), len(Y)) 的矩阵；当 X == Y 时，结果为对称方阵，对角线全为 0；
- 输入自动支持 list、tuple、np.ndarray，但建议显式转为 np.array 以确保类型与维度清晰；
- 支持其他 metric 参数，如 'manhattan'、'cosine'、'sqeuclidean' 等；
- 若仅需上三角或避免重复计算，可后续用 np.triu(dist_matrix, k=1) 提取非对角上三角部分。
⚠️ 注意事项：
- cdist 不属于 NumPy 原生模块，需额外安装 SciPy（pip install scipy）；
- 对于超大规模点集（如 >10⁵ 点），内存可能成为瓶颈（距离矩阵为 O(n²) 空间复杂度），此时应考虑近似算法或分块计算；
- 如项目已依赖 scikit-learn，也可用 sklearn.metrics.pairwise_distances，接口类似，但默认行为略有差异（例如对稀疏输入更友好）。
综上，scipy.spatial.distance.cdist 是计算坐标距离矩阵最实用、高效且可读性强的标准方案。
