距离矩阵怎么求

距离矩阵是一个n*n的矩阵，其中第i行第j列的元素表示第i个样本点和第j个样本点之间的距离。

距离的计算方法有很多种，以下介绍两种常用的方法：

1. 欧氏距离（Euclidean distance）：对于两个n维向量x和y，它们之间的欧氏距离可以表示为：

d(x,y) = √(∑(xi-yi)^2)

其中xi和yi分别代表向量x和y的第i个维度的值。对于一个n维的样本，可以用以下代码求出它与其他样本点之间的欧氏距离：

```

import numpy as np

from scipy.spatial.distance import cdist

X = np.random.rand(5, 3) # 5个3维样本数据

dist_matrix = cdist(X, X, metric='euclidean') # 求距离矩阵

```

2. 曼哈顿距离（Manhattan distance）：对于两个n维向量x和y，它们之间的曼哈顿距离可以表示为：

d(x,y) = ∑|xi-yi|

对于一个n维的样本，可以用以下代码求出它与其他样本点之间的曼哈顿距离：

```

import numpy as np

from scipy.spatial.distance import cdist

X = np.random.rand(5, 3) # 5个3维样本数据

dist_matrix = cdist(X, X, metric='cityblock') # 求距离矩阵

```