今天一個偶然的機會體會到了python資料運算的強大。求一個數組各樣本之間的距離僅簡單的幾句程式碼就行。看來真的技術改變世界啊。廢話不多說，記下來怕以後忘記。

from scipy.spatial.distance import pdist, squareform

下面結合API文件標註一下具體用法：

1.X = pdist(X, 'euclidean')

計算陣列X樣本之間的歐式距離 返回值為 Y 為壓縮距離元組或矩陣（以下等同）

2. X = pdist(X, 'minkowski', p)

計算陣列樣本之間的明氏距離

3. Y = pdist(X, 'cityblock')

計算陣列樣本之間的曼哈頓距離

4. X = pdist(X, 'seuclidean', V=None)
 

計算陣列樣本之間的標準化歐式距離 ，v是方差向量，表示 v[i]表示第i個分量的方差，如果缺失。預設自動計算。

5. X = pdist(X, 'sqeuclidean')

計算陣列樣本之間歐式距離的平方

6. X = pdist(X, 'cosine')

計算陣列樣本之間餘弦距離 公式為：

7. X = pdist(X, 'correlation')

計算陣列樣本之間的相關距離。

8.X = pdist(X, 'hamming')

計算資料樣本之間的漢明距離

9. X = pdist(X, 'jaccard')

計算資料樣本之間的傑卡德距離

10. X = pdist(X, 'chebyshev')

計算陣列樣本之間的切比雪夫距離

11. X = pdist(X, 'canberra')
 

計算陣列樣本之間的堪培拉距離

12. X = pdist(X, 'mahalanobis', VI=None)

計算資料樣本之間的馬氏距離

還有好多不常用的距離就不一一寫出了，如果想查閱可以點點我，點我

除了對指定的距離計算該函式還可以穿lmbda表示式進行計算，如下

dm = pdist(X, lambda u, v: np.sqrt(((u-v)**2).sum()))

二、得到壓縮矩陣後還需下一步即：

Y=scipy.spatial.distance.squareform(X, force='no', checks=True)

其中，X就是上文提到的壓縮矩陣Y，force 如同MATLAB一樣，如果force等於‘tovector’ or ‘tomatrix’,輸入就會被當做距離矩陣或距離向量。
 

cheak當X-X.T比較小或diag(X)接近於零，是是有必要設成True的，返回值Y為一個距離矩陣Y[i，j]表示樣本i與樣本j的距離。