scipy.spatial.distance.cdist

语法：scipy.spatial.distance.cdist(XA, XB, metric='euclidean', p=None, V=None, VI=None, w=None)，该函数用于计算两个输入集合的距离，通过metric参数指定计算距离的不同方式得到不同的距离度量值

metric的取值如下：

 braycurtis
 canberra
 chebyshev：切比雪夫距离
 cityblock
 correlation：相关系数
 cosine：余弦夹角
 dice
 euclidean：欧式距离
 hamming：汉明距离
 jaccard：杰卡德相似系数
 kulsinski
 mahalanobis：马氏距离
 matching
 minkowski：闵可夫斯基距离
 rogerstanimoto
 russellrao
 seuclidean：标准化欧式距离
 sokalmichener
 sokalsneath
 sqeuclidean
 wminkowski
 yule

常见的欧氏距离计算：

In [1]: from scipy.spatial.distance import cdist   ...: import numpy as np   ...: x1 =np.array([(1,3),(2,4),(5,6)])   ...: x2 =[(3,7),(4,8),(6,9)]   ...: cdist(x1,x2,metric='euclidean')   ...:Out[1]:array([[ 4.47213595,  5.83095189,  7.81024968],       [ 3.16227766,  4.47213595,  6.40312424],       [ 2.23606798,  2.23606798,  3.16227766]])

解析上述计算过程：结果数组中的第一行数据表示的是x1数组中第一个元素点与x2数组中各个元素点的距离，计算两点之间的距离

以点(1,3)与(3,7)点的距离为例：

In [2]: np.power((1-3)**2 +(3-7)**2,1/2)Out[2]: 4.4721359549995796