最简单方法是用np.linalg.norm(a-b)，但多维需注意axis参数：单点到多点用axis=1，两组点配对距离需广播扩展维度后用axis=2，慎防NaN/inf。
直接用 np.linalg.norm 计算两向量距离最简单，但数组形状不对会报错
如果两个数组都是 1D 且长度相同（比如 a = np.array([1, 2, 3])，b = np.array([4, 5, 6])），直接写 np.linalg.norm(a - b) 就行，结果是标量。但很多人卡在多维场景：比如想算一批点对之间的距离，或一个点到多个点的距离——这时传入的数组 shape 不匹配，np.linalg.norm 会抛 ValueError: axis must be specified 或静默返回错误维度。
批量计算“一个点到多个点”的距离：指定 axis=1
常见场景：已知一个查询点 query（shape (d,)）和一组候选点 points（shape (n, d)），要算 query 到每个点的欧氏距离（输出 shape (n,)）。关键不是广播减法，而是 norm 的 axis 参数：
- 先做
points - query：NumPy 自动广播，结果 shape 是(n, d) - 再用
np.linalg.norm(..., axis=1)：对每行（即每个点的 d 维差值）求模长 - 别用
axis=0，那会得到 d 个值（每维的 L2 范数），不是你想要的距离
示例：
import numpy as np query = np.array([1, 2]) points = np.array([[4, 6], [0, 0], [1, 2]]) distances = np.linalg.norm(points - query, axis=1) # → array([5., 2.236..., 0.])
计算两组点之间所有配对距离：避免 for 循环，用广播+keepdims
若要算 A 中每个点（shape (m, d)）到 B 中每个点（shape (n, d)）的距离，得到 shape (m, n) 的距离矩阵，不能直接减——维度不兼容。正确做法是扩展维度再广播：
- 把 A 变成
(m, 1, d)（加中间维度），B 变成(1, n, d) - 用
A[:, None] - B[None, :]得到(m, n, d)差值数组 - 再用
np.linalg.norm(..., axis=2)沿最后一维求范数 - 注意
None比np.expand_dims更简洁；axis=2对应原 d 维，别错写成axis=-1（虽等价但可读性差）
性能上，这比双层 Python for 快 10 倍以上，但内存占用是 O(m*n*d)，大数据时容易爆内存。
立即学习“Python免费学习笔记（深入）”；
为什么不用 scipy.spatial.distance.cdist？
如果你已经引入 SciPy，cdist(A, B, metric='euclidean') 更省心：自动处理维度、支持稀疏输入、有 C 底层加速。但纯 NumPy 环境下，np.linalg.norm 是唯一内置选择。另外注意：np.linalg.norm 默认计算 2-范数，无需额外参数；传 ord=2 是冗余的，还略微拖慢速度。
最容易被忽略的是：当输入含 NaN 或 inf 时，np.linalg.norm 会直接传播 NaN，不报错也不警告——务必在调用前用 np.isnan 或 np.isfinite 检查数据质量。
