用np.linalg.norm(a-b)计算欧氏距离最简洁稳定，但需确保a、b同shape（如(n,)），避免因广播导致错误范数；批量计算时用axis=1；全连接距离矩阵应选cdist()。
直接用 np.linalg.norm() 算两个向量的欧氏距离，别手写平方开根
它就是干这个的：输入两个一维数组（或广播兼容的多维数组），减一下再算 L2 范数，一步到位。比 np.sqrt(np.sum((a - b) ** 2)) 更简洁、更稳定、底层还调了优化过的 BLAS。
常见错误是传错 shape —— 比如把 shape 为 (n,) 的向量和 shape 为 (1, n) 的行向量相减，结果变成 (n, n)，np.linalg.norm() 默认对所有元素求范数，得到的是整个矩阵的 Frobenius 范数，不是你想要的两点间距离。
- 确保
a和b是同 shape 的 1D 向量，或至少能广播成相同 shape（比如(n,)和(n,)） - 显式指定
axis参数不必要，除非你在算一批点对的距离（见下一条） - 如果
a和b是列向量（shape(n, 1)），先用a.ravel()或a.flatten()拉平，或直接用np.squeeze()
批量计算多组向量对的距离：用 axis 控制降维方向
当你有 N 对点，每对都是 d 维向量，想一次性算出 N 个欧氏距离，就不能直接传二维数组进去——默认会算整个矩阵的范数。必须告诉 np.linalg.norm()：“按哪一维算 L2”，也就是在向量维度上求范数。
典型场景：坐标点集 X（shape (N, d)）和 Y（shape (N, d)），要算每行之间的距离，结果应为 shape (N,)。
- 正确写法：
np.linalg.norm(X - Y, axis=1)——axis=1表示对每一行（即每个 d 维向量）单独算 L2 范数 - 错误写法：
np.linalg.norm(X - Y)→ 返回单个标量（整个差矩阵的 Frobenius 范数） -
axis=0适用于你想算“每个维度上的偏差总长度”，一般不是欧氏距离需求
和 scipy.spatial.distance.cdist() 的区别在哪
如果你要算两组点之间**所有交叉组合**的距离（比如 X 中每个点 vs Y 中每个点，得一个 (len(X), len(Y)) 的距离矩阵），np.linalg.norm() 不适合直接做——它不支持自动广播成外积结构。
这时候该换工具：scipy.spatial.distance.cdist(X, Y, metric='euclidean') 是专为此设计的，内部做了向量化 + 缓存优化，比手动双循环或拼 np.newaxis 更快更稳。
-
np.linalg.norm()主打“一对一”或“一对一批”（broadcastable pairs） -
cdist()主打“全连接式批量距离矩阵”，且支持多种 metric（曼哈顿、余弦等） - 硬用 NumPy 实现全连接：需
X[:, None, :] - Y[None, :, :]再np.linalg.norm(..., axis=2)，内存占用高，易 OOM
注意浮点精度和 NaN 传播行为
np.linalg.norm() 在遇到 NaN 时会安静地返回 nan，不会报错；遇到极小/极大值可能触发下溢或上溢（虽然比手写 **2 稍稳健，但没做缩放预处理）。
- 若输入含
NaN，输出必为nan，建议前置检查：np.isnan(a).any() or np.isnan(b).any() - 对超大向量（比如百万维稀疏特征），考虑先用
np.isfinite()过滤无效值，再传入 - 不需要高精度时，
dtype=np.float32可省内存，但要注意norm计算中累加误差略大于float64
事情说清了就结束。最常踩的坑其实是 shape 没对齐就直接丢进 np.linalg.norm()，然后发现结果对不上手算——先 print(a.shape), print(b.shape)，比查文档快。
