不能直接用scipy.spatial.distance.cdist，因其在小规模数据上开销大、不便于向量化更新，且对一维centroids报错；而np.linalg.norm配合广播更鲁棒高效，能自动处理k=1场景并保持数值稳定与dtype一致。
为什么不能直接用 scipy.spatial.distance.cdist 就完事？
因为 K-means 每轮迭代都要计算所有样本到所有聚类中心的欧氏距离，生成一个 (n_samples, n_clusters) 的距离矩阵。虽然 cdist 能做，但它在小规模数据上开销大、不便于后续向量化更新；更关键的是——它默认把输入当二维数组处理，若你传入的 centroids 是一维（比如只有一簇），cdist 会报 ValueError: XA must be a 2-dimensional array，而 NumPy 原生广播机制反而更鲁棒。
用 np.linalg.norm + 广播构造距离矩阵
核心思路是把样本点 X（shape (n, d)）和中心点 centroids（shape (k, d)）通过广播对齐成 (n, k, d)，再逐点求 L2 范数。实际不用显式扩展维度，靠 np.newaxis 或 None 插入轴即可：
-
X[:, None, :]把X变成(n, 1, d) -
centroids[None, :, :]把centroids变成(1, k, d) - 二者相减后 shape 为
(n, k, d)，再对最后一维求np.linalg.norm(..., axis=2)
完整一行写法：
distances = np.linalg.norm(X[:, None, :] - centroids[None, :, :], axis=2)
避免 np.sqrt(np.sum(...)) 手动展开的坑
有人会写 np.sqrt(np.sum((X[:, None, :] - centroids[None, :, :])**2, axis=2))，逻辑没错，但有三个实际问题：
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- **数值不稳定**：平方后可能溢出，尤其当特征值很大时；
np.linalg.norm内部做了缩放处理 - **性能差**：显式平方+求和比
norm多一次内存写入，实测慢 10%–20% - **dtype 不一致**：若
X是float32，手动写法可能因中间计算升为float64，而norm默认保持输入精度
当 centroids 只有一个时怎么不出错？
单中心场景（比如初始化第一轮或 k=1）最容易暴露维度 bug。错误写法：X - centroids 会触发广播失败（(n,d) − (d,) 成功，但 (n,d) − (1,d) 更安全）。正确做法始终统一用 None 显式扩维：
# 即使 centroids.shape == (1, d)，也这么写<br>distances = np.linalg.norm(X[:, None, :] - centroids[None, :, :], axis=2)
这样无论
k==1 还是 k==100，形状都自动对齐，无需分支判断。真正容易被忽略的是：距离矩阵必须是浮点型（哪怕输入是整数），否则后续 argmin 索引虽能运行，但若中间出现 nan 或截断误差，会导致簇分配跳变——务必确认 X 和 centroids 至少一个是 float 类型。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
