计算坐标列表的欧氏距离矩阵（NumPy向量化实现）

使用 scipy 的 `cdist` 函数可高效、向量化地计算任意坐标点集的两两欧氏距离矩阵，避免显式循环，适用于中大规模数据。

在科学计算和机器学习中，经常需要基于一组二维（或高维）坐标点构建完整的成对距离矩阵（例如用于聚类、图构建或相似性分析）。手动嵌套循环不仅代码冗长，且性能低下；而借助 NumPy 生态中的成熟工具，可在一行核心调用中完*矩阵计算。

推荐使用 scipy.spatial.distance.cdist —— 它专为向量化计算两个点集之间的距离而设计。当传入相同的坐标数组作为 XA 和 XB 参数时，即可得到对称的距离矩阵：

from scipy.spatial.distance import cdist
import numpy as np

l_coords = [(1, 2), (1.1, 2.2), (1.05, 1.9)]
coords = np.array(l_coords)  # 转为 ndarray（cdist 内部自动处理，但显式转换更清晰）

distance_matrix = cdist(coords, coords, metric='euclidean')
print(distance_matrix)

输出：

[[0.         0.2236068  0.1118034 ]
 [0.2236068  0.         0.30413813]
 [0.1118034  0.30413813 0.        ]]

✅ 优势说明：

• cdist 默认使用高度优化的 C 实现，支持多种距离度量（如 'manhattan', 'cosine', 'chebyshev'），仅需修改 metric 参数即可切换；
• 自动广播与内存友好，比 np.linalg.norm 手动广播（如 np.sqrt(((coords[:, None] - coords[None, :])**2).sum(axis=2))）更简洁、更鲁棒；
• 支持浮点精度控制与自定义度量函数（通过 metric='pyfunc' + f 参数）。

⚠️ 注意事项：

• 若仅依赖纯 NumPy（无 SciPy），可采用广播技巧，但易因内存爆炸导致 MemoryError（n×n×d 张量）；
• 对于超大规模点集（如 n > 10⁴），建议改用近似算法（如 KDTree）或分块计算；
• 返回矩阵严格对称且主对角线恒为 0（同一坐标到自身的距离），适合后续调用 scipy.cluster.hierarchy 等工具。

综上，scipy.spatial.distance.cdist 是计算坐标距离矩阵最实用、高效且可扩展的标准方案。