Python 数据帧中单点到多点之间的欧氏距离_Python_Pandas_Numpy_Euclidean Distance

Python 数据帧中单点到多点之间的欧氏距离

python pandas numpy

Python 数据帧中单点到多点之间的欧氏距离,python,pandas,numpy,euclidean-distance,Python,Pandas,Numpy,Euclidean Distance,我的数据帧有16个x和y坐标，用于从0到566（m）连续的位置{x1，x2…x16，y1，y2…y16}。我想计算x1，y1与其余15个坐标之间的欧几里德距离，得到总的平均距离。我想对数据框中的所有16个坐标重复这个过程，并得到它们与其他点的平均距离我的数据帧 import pandas as pd import plotly.express as px sample = {'index': [0, 1, 2, 3, 4, 5, 6, 7, 8, 9], 'column

我的数据帧有16个x和y坐标，用于从0到566（m）连续的位置{x1，x2…x16，y1，y2…y16}。我想计算x1，y1与其余15个坐标之间的欧几里德距离，得到总的平均距离。我想对数据框中的所有16个坐标重复这个过程，并得到它们与其他点的平均距离

我的数据帧

import pandas as pd

import plotly.express as px

sample = {'index': [0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
          'columns': ['X1',
          'X2',
          'X3',
          'X4',
          'X5',
          'X6',
          'X7',
          'X8',
           'X9',
           'X10',
           'X11',
           'X12',
           'X13',
           'X14',
           'X15',
          'X16',
           'Y1',
           'Y2',
          'Y3',
          'Y4',
           'Y5',
           'Y6',
           'Y7',
           'Y8',
           'Y9',
           'Y10',
           'Y11',
           'Y12',
           'Y13',
           'Y14',
           'Y15',
          'Y16'],
          'data': [[500.4677, 278.6497, 47.4062, 417.3653, 551.7083, 401.1797, 0.0, 161.7773, 368.1543, 45.985, 520.4714, 566.0, 219.715, 45.0157, 284.9714, 202.886, 26.0476, 566.0, 0.0, 104.1045, 0.0, 335.7074, 486.5247, 566.0, 566.0, 258.2014, 376.2201, 477.4717, 412.28, 96.7684, 90.1294, 364.7503], 
          [511.751, 104.4383, 566.0, 380.4079, 345.8587, 0.0, 90.5588, 7.2899, 566.0, 566.0, 566.0, 313.0356, 191.8169, 200.6335, 566.0, 383.5991, 566.0, 135.7882, 463.57800000000003, 366.7474, 447.0349, 0.0, 410.16, 246.4883, 0.0, 208.0817, 60.8637, 566.0, 48.4488, 117.445, 411.2962, 566.0], 
         [19.699, 216.4378, 355.296, 67.8151, 518.7256, 72.1572, 222.7933, 223.9242, 566.0, 312.4474, 511.7909, 566.0, 78.0924, 226.1336, 566.0, 465.5424, 0.0, 566.0, 447.2046, 259.9073, 566.0, 320.6664, 418.3566, 351.0215, 354.9378, 566.0, 391.7332, 99.2301, 0.0, 137.3001, 535.2882, 566.0], 
         [0.0, 0.0, 243.342, 0.0, 566.0, 0.0, 198.4878, 0.0, 566.0, 566.0, 509.8984, 285.704, 144.3917, 294.7953, 399.9559, 345.9918, 380.3994, 462.8946, 566.0, 566.0, 0.0, 0.0, 234.3866, 53.6411, 546.4076, 253.0758, 0.0, 53.9287, 396.4652, 0.0, 0.0, 10.9969], 
         [446.6611, 421.0366, 493.1895, 566.0, 516.3773, 566.0, 566.0, 474.81699999999995, 566.0, 0.0, 299.7096, 30.5458, 0.0, 170.8087, 178.8432, 187.1938, 278.2215, 0.0, 551.9664, 566.0, 373.9421, 313.9131, 485.6295, 433.9819, 0.0, 481.3123, 0.0, 566.0, 0.0, 6.0358, 566.0, 465.4973], 
         [398.0662, 0.0, 172.95, 480.6902, 566.0, 566.0, 257.4459, 67.4326, 5.4764, 566.0, 0.0, 62.1571, 143.9684, 566.0, 236.2575, 341.5666, 102.6265, 484.4441, 7.9433, 0.0, 320.2722, 26.7175, 566.0, 540.0883, 349.5919, 213.1047, 0.0, 0.0, 566.0, 566.0, 503.7899, 116.725], 
         [113.7286, 341.2415, 418.0059, 0.0, 566.0, 566.0, 566.0, 0.0, 0.0, 566.0, 68.0914, 463.0868, 140.684, 18.4887, 220.1713, 273.2086, 566.0, 0.0, 270.9991, 503.3479, 0.0, 89.0062, 509.5509, 566.0, 287.7841, 566.0, 334.3373, 54.4844, 0.0, 206.8418, 396.798, 566.0], 
         [0.0, 0.0, 0.0, 557.9507, 0.0, 566.0, 530.5327, 566.0, 461.61400000000003, 495.1422, 243.7463, 515.1805, 337.0039, 149.3637, 432.7603, 375.4085, 216.9741, 566.0, 424.6422, 405.3143, 323.5063, 160.0276, 0.0, 566.0, 566.0, 420.6266, 566.0, 566.0, 58.6311, 255.0382, 0.0, 566.0], 
         [369.2071, 304.0515, 566.0, 164.3125, 552.6091, 557.8421, 437.3143, 395.9587, 417.7882, 0.0, 0.0, 198.0035, 121.6725, 169.035, 225.88400000000001, 12.7346, 0.0, 476.0819, 0.0, 503.4461, 566.0, 447.1827, 53.9382, 566.0, 484.8547, 0.0, 566.0, 566.0, 566.0, 0.0, 362.2357, 269.9263], 
         [39.8478, 231.8411, 176.4778, 0.0, 566.0, 0.0, 566.0, 202.1302, 566.0, 291.1011, 0.0, 511.6552, 566.0, 113.6815, 566.0, 0.0, 512.7862, 177.8265, 85.63799999999999, 566.0, 0.0, 6.2889, 305.5369, 0.0, 566.0, 529.326, 136.871, 502.9318, 117.4366, 130.5829, 168.2698, 376.7318]]}



df = pd.DataFrame(index=sample['index'], columns=sample['columns'], 
data=sample['data'])
df

我尝试了以下所有坐标的数学公式，并将坐标1的所有距离相加，得到坐标1的平均距离

x1 = df.X1
x1 = df.X2
y1 = df.Y1
y2 = df.Y2

d12 = np.sqrt(np.square( x2 - x1 ) + np.square( y2 - y1 ))
avgd1 = (d12+d13+d14+d15+d16+d17+d18+d19+d110+d111+d112+d113+d114+d115+d116)/16.00

类似地，我计算了所有16个坐标的平均距离。但这不是一种有效的方法，代码也变得非常冗长。而且我的数据集非常庞大。所以我想知道是否还有其他有效的方法来解决我的问题。

可以用非常简洁的方式计算距离，使用Numpy函数及其广播功能
定义一个函数，该函数生成一行的平均距离源数据帧：

def avgDist(row): xy = row.reshape(2, -1).T sqDist = ((xy[:, np.newaxis, :] - xy[np.newaxis, :, :]) ** 2).sum(axis=2) return np.sqrt(sqDist).sum(axis=1) / (row.size // 2 - 1)

X1 X2 X15 X16 Y1 Y2 Y15 Y16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50
源行是一个一维Numpy数组，结果也是一个一维Numpy阵列
然后，要生成输出数据帧，请运行：

result = df.join(pd.DataFrame(np.apply_along_axis(avgDist, 1, df.values), columns=[ col.replace('X', 'avgd') for col in df.columns[:df.shape[1] // 2] ], index=df.index))
为了测试上述代码，我准备了以下数据帧：

def avgDist(row): xy = row.reshape(2, -1).T sqDist = ((xy[:, np.newaxis, :] - xy[np.newaxis, :, :]) ** 2).sum(axis=2) return np.sqrt(sqDist).sum(axis=1) / (row.size // 2 - 1)

X1 X2 X15 X16 Y1 Y2 Y15 Y16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50
根据您的图片（4列而不是16列），再加上一行（第一行），点的位置应便于验证结果
结果是：

X1 X2 X15 X16 Y1 Y2 Y15 Y16 avgd1 avgd2 avgd15 avgd16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 2.414214 2.742258 2.490712 2.270853 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 419.806664 424.895850 329.120455 317.505970 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 294.869112 547.618066 313.562415 293.388341 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 694.854626 399.741581 406.931584 358.218465 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 380.196350 421.123916 406.266123 376.780534 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50 330.838905 471.992748 369.870561 313.927197

array([[2., 0.], [4., 2.], [2., 3.], [1., 1.]])

array([[[ 0., 0.], [-2., -2.], [ 0., -3.], [ 1., -1.]], [[ 2., 2.], [ 0., 0.], [ 2., -1.], [ 3., 1.]], [[ 0., 3.], [-2., 1.], [ 0., 0.], [ 1., 2.]], [[-1., 1.], [-3., -1.], [-1., -2.], [ 0., 0.]]])

array([[ 0., 8., 9., 2.], [ 8., 0., 5., 10.], [ 9., 5., 0., 5.], [ 2., 10., 5., 0.]])
详细说明此代码的工作原理：

将源数据帧的第一行作为Numpy数组：
结果是：
数组（[2,4,2,1,0,2,3,1.]）

运行
avgDist（row）
生成上述结果的第一行。结果是
数组（[2.41421356,2.74225759,2.49071198,2.27085307]）

np.apply_沿_轴调用源代码每行上的avgDist 数据帧（转换为Numpy数组）并连接结果作为输出的连续行，也作为Numpy数组

columns=[…]从df的前半部分（“X…”转换列名列），将“X”替换为“avgd”

join的参数是一个DataFrame，生成的列如上所述和原始索引

最后一步是连接两个数据帧（在索引上）

“更深层次”的细节-avgDist的工作原理：

xy=…
-获取源行并将其转换为2列数组。第一列包含x坐标，第二列包含-y坐标
对于df的第一行，结果为：

X1 X2 X15 X16 Y1 Y2 Y15 Y16 avgd1 avgd2 avgd15 avgd16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 2.414214 2.742258 2.490712 2.270853 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 419.806664 424.895850 329.120455 317.505970 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 294.869112 547.618066 313.562415 293.388341 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 694.854626 399.741581 406.931584 358.218465 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 380.196350 421.123916 406.266123 376.780534 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50 330.838905 471.992748 369.870561 313.927197

array([[2., 0.], [4., 2.], [2., 3.], [1., 1.]])

array([[[ 0., 0.], [-2., -2.], [ 0., -3.], [ 1., -1.]], [[ 2., 2.], [ 0., 0.], [ 2., -1.], [ 3., 1.]], [[ 0., 3.], [-2., 1.], [ 0., 0.], [ 1., 2.]], [[-1., 1.], [-3., -1.], [-1., -2.], [ 0., 0.]]])

array([[ 0., 8., 9., 2.], [ 8., 0., 5., 10.], [ 9., 5., 0., 5.], [ 2., 10., 5., 0.]])

xy[：，np.newaxis，：]-xy[np.newaxis，：，：]
计算每对点之间的每个坐标。结果是：

X1 X2 X15 X16 Y1 Y2 Y15 Y16 avgd1 avgd2 avgd15 avgd16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 2.414214 2.742258 2.490712 2.270853 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 419.806664 424.895850 329.120455 317.505970 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 294.869112 547.618066 313.562415 293.388341 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 694.854626 399.741581 406.931584 358.218465 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 380.196350 421.123916 406.266123 376.780534 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50 330.838905 471.992748 369.870561 313.927197

array([[2., 0.], [4., 2.], [2., 3.], [1., 1.]])

array([[[ 0., 0.], [-2., -2.], [ 0., -3.], [ 1., -1.]], [[ 2., 2.], [ 0., 0.], [ 2., -1.], [ 3., 1.]], [[ 0., 3.], [-2., 1.], [ 0., 0.], [ 1., 2.]], [[-1., 1.], [-3., -1.], [-1., -2.], [ 0., 0.]]])

array([[ 0., 8., 9., 2.], [ 8., 0., 5., 10.], [ 9., 5., 0., 5.], [ 2., 10., 5., 0.]])

sqDist=（…）**2.sum（axis=2）
计算这些差异的平方并对每个“点对点”对求和。结果是：

X1 X2 X15 X16 Y1 Y2 Y15 Y16 avgd1 avgd2 avgd15 avgd16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 2.414214 2.742258 2.490712 2.270853 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 419.806664 424.895850 329.120455 317.505970 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 294.869112 547.618066 313.562415 293.388341 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 694.854626 399.741581 406.931584 358.218465 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 380.196350 421.123916 406.266123 376.780534 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50 330.838905 471.992748 369.870561 313.927197

array([[2., 0.], [4., 2.], [2., 3.], [1., 1.]])

array([[[ 0., 0.], [-2., -2.], [ 0., -3.], [ 1., -1.]], [[ 2., 2.], [ 0., 0.], [ 2., -1.], [ 3., 1.]], [[ 0., 3.], [-2., 1.], [ 0., 0.], [ 1., 2.]], [[-1., 1.], [-3., -1.], [-1., -2.], [ 0., 0.]]])

array([[ 0., 8., 9., 2.], [ 8., 0., 5., 10.], [ 9., 5., 0., 5.], [ 2., 10., 5., 0.]])
毫不奇怪，对角线包含零，因为它们是距离一个指向同一个点的点

返回的数组是上述数组的总和，对于每一行，除以按点数-1

也许你也应该在网上搜索如何使用的例子 np.newaxis对一个序列执行“每个带每个”计算对象（在这种情况下，此类对象是xy数组的一行，
表示一个点。
可以用非常简洁的方式计算距离，使用Numpy函数及其广播功能
定义一个函数，该函数生成一行的平均距离源数据帧：

def avgDist(row): xy = row.reshape(2, -1).T sqDist = ((xy[:, np.newaxis, :] - xy[np.newaxis, :, :]) ** 2).sum(axis=2) return np.sqrt(sqDist).sum(axis=1) / (row.size // 2 - 1)

X1 X2 X15 X16 Y1 Y2 Y15 Y16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50
源行是一个一维Numpy数组，结果也是一个一维Numpy阵列
然后，要生成输出数据帧，请运行：

result = df.join(pd.DataFrame(np.apply_along_axis(avgDist, 1, df.values), columns=[ col.replace('X', 'avgd') for col in df.columns[:df.shape[1] // 2] ], index=df.index))
为了测试上述代码，我准备了以下数据帧：

def avgDist(row): xy = row.reshape(2, -1).T sqDist = ((xy[:, np.newaxis, :] - xy[np.newaxis, :, :]) ** 2).sum(axis=2) return np.sqrt(sqDist).sum(axis=1) / (row.size // 2 - 1)

X1 X2 X15 X16 Y1 Y2 Y15 Y16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50
根据您的图片（4列而不是16列），再加上一行（第一行），点的位置应便于验证结果
结果是：

X1 X2 X15 X16 Y1 Y2 Y15 Y16 avgd1 avgd2 avgd15 avgd16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 2.414214 2.742258 2.490712 2.270853 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 419.806664 424.895850 329.120455 317.505970 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 294.869112 547.618066 313.562415 293.388341 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 694.854626 399.741581 406.931584 358.218465 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 380.196350 421.123916 406.266123 376.780534 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50 330.838905 471.992748 369.870561 313.927197

array([[2., 0.], [4., 2.], [2., 3.], [1., 1.]])

array([[[ 0., 0.], [-2., -2.], [ 0., -3.], [ 1., -1.]], [[ 2., 2.], [ 0., 0.], [ 2., -1.], [ 3., 1.]], [[ 0., 3.], [-2., 1.], [ 0., 0.], [ 1., 2.]], [[-1., 1.], [-3., -1.], [-1., -2.], [ 0., 0.]]])

array([[ 0., 8., 9., 2.], [ 8., 0., 5., 10.], [ 9., 5., 0., 5.], [ 2., 10., 5., 0.]])
详细说明此代码的工作原理：

将源数据帧的第一行作为Numpy数组：
结果是：
数组（[2,4,2,1,0,2,3,1.]）

运行
avgDist（row）
生成上述结果的第一行。结果是
数组（[2.41421356,2.74225759,2.49071198,2.27085307]）

np.apply_沿_轴调用源代码每行上的avgDist 数据帧（转换为Numpy数组）并连接结果作为输出的连续行，也作为Numpy数组

columns=[…]从df的前半部分（“X…”转换列名列），将“X”替换为“avgd”

join的参数是一个DataFrame，生成的列如上所述和原始索引

最后一步是连接两个数据帧（在索引上）

“更深层次”的细节-avgDist的工作原理：

xy=…
-获取源行并将其转换为2列数组。第一列包含x坐标，第二列包含-y坐标
对于df的第一行，结果为：

X1 X2 X15 X16 Y1 Y2 Y15 Y16 avgd1 avgd2 avgd15 avgd16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 2.414214 2.742258 2.490712 2.270853 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 419.806664 424.895850 329.120455 317.505970 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 294.869112 547.618066 313.562415 293.388341 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 694.854626 399.741581 406.931584 358.218465 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 380.196350 421.123916 406.266123 376.780534 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50 330.838905 471.992748 369.870561 313.927197

array([[2., 0.], [4., 2.], [2., 3.], [1., 1.]])

array([[[ 0., 0.], [-2., -2.], [ 0., -3.], [ 1., -1.]], [[ 2., 2.], [ 0., 0.], [ 2., -1.], [ 3., 1.]], [[ 0., 3.], [-2., 1.], [ 0., 0.], [ 1., 2.]], [[-1., 1.], [-3., -1.], [-1., -2.], [ 0., 0.]]])

array([[ 0., 8., 9., 2.], [ 8., 0., 5., 10.], [ 9., 5., 0., 5.], [ 2., 10., 5., 0.]])

xy[：，np.newaxis，：]-xy[np.newaxis，：，：]
计算每对点之间的每个坐标。结果是：

X1 X2 X15 X16 Y1 Y2 Y15 Y16 avgd1 avgd2 avgd15 avgd16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 2.414214 2.742258 2.490712 2.270853 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 419.806664 424.895850 329.120455 317.505970 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 294.869112 547.618066 313.562415 293.388341 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 694.854626 399.741581 406.931584 358.218465 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 380.196350 421.123916 406.266123 376.780534 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50 330.838905 471.992748 369.870561 313.927197

array([[2., 0.], [4., 2.], [2., 3.], [1., 1.]])

array([[[ 0., 0.], [-2., -2.], [ 0., -3.], [ 1., -1.]], [[ 2., 2.], [ 0., 0.], [ 2., -1.], [ 3., 1.]], [[ 0., 3.], [-2., 1.], [ 0., 0.], [ 1., 2.]], [[-1., 1.], [-3., -1.], [-1., -2.], [ 0., 0.]]])

array([[ 0., 8., 9., 2.], [ 8., 0., 5., 10.], [ 9., 5., 0., 5.], [ 2., 10., 5., 0.]])

sqDist=（…）**2.sum（axis=2）
计算这些差异的平方并对每个“点对点”对求和。结果为：

X1 X2 X15 X16 Y1 Y2 Y15 Y16 avgd1 avgd2 avgd15 avgd16 0 2.00 4.00 2.00 1.00 0.00 2.00 3.00 1.00 2.414214 2.742258 2.490712 2.270853 1 500.47 278.65 284.97 202.89 26.05 566.00 90.13 364.75 419.806664 424.895850 329.120455 317.505970 2 511.75 104.44 566.00 383.60 566.05 135.79 411.30 566.00 294.869112 547.618066 313.562415 293.388341 3 19.70 216.44 566.00 465.54 0.00 566.00 535.29 566.00 694.854626 399.741581 406.931584 358.218465 4 0.00 0.00 399.96 345.99 380.40 462.89 0.00 11.00 380.196350 421.123916 406.266123 376.780534 5 446.66 421.04 178.84 187.19 278.22 0.00 566.00 465.50 330.838905 471.992748 369.870561 313.927197

array([[2., 0.], [4., 2.], [2., 3.], [1., 1.]])

array([[[ 0., 0.], [-2., -2.], [ 0., -3.], [ 1., -1.]], [[ 2., 2.], [ 0., 0.], [ 2., -1.], [ 3., 1.]], [[ 0., 3.], [-2., 1.], [ 0., 0.], [ 1., 2.]], [[-1., 1.], [-3., -1.], [-1., -2.], [ 0., 0.]]])

array([[ 0., 8., 9., 2.], [ 8., 0., 5., 10.], [ 9., 5., 0., 5.], [ 2., 10., 5., 0.]])
毫不奇怪，对角线包含零，因为它们是距离一个指向同一个点的点

返回的数组是上述数组的总和，对于每一行，除以按点数-1

也许你也应该在网上搜索如何使用的例子 np.newaxis对一个序列执行“每个带每个”计算对象（在这种情况下，此类对象是xy数组的一行，
代表一个点。
这回答了你的问题吗？这回答了你的问题吗？