直接用 np.linalg.norm(a - b) 易出错，因默认对全数组求范数，不支持成对广播；正确做法是指定 axis 或用 cdist/向量化公式，并用 np.maximum(..., 0) 防浮点负值。
为什么直接用 np.linalg.norm 计算多点间距离容易出错？
很多人一上来就写 np.linalg.norm(a - b)，结果发现对两个形状为 (n, d) 的点集做广播时维度炸了，或者得到标量而非期望的 (n, n) 距离矩阵。根本原因是 np.linalg.norm 默认对整个数组求范数，不自动支持成对广播。
正确做法是明确指定 axis 并利用广播构造差值矩阵：
- 若
a和b都是(n, d)，想算所有a[i]到所有b[j]的距离，需先扩展维度：a[:, None, :]（变(n, 1, d)）和b[None, :, :]（变(1, n, d)），再相减 - 然后对最后一维（坐标维）用
np.linalg.norm(..., axis=2)，得到(n, n)矩阵 - 省略
axis或设错会导致结果坍缩成错误形状，比如变成(n,)或标量
用 scipy.spatial.distance.cdist 还是纯 NumPy？
cdist 写起来最省心：cdist(a, b, 'euclidean') 直接返回 (len(a), len(b)) 距离矩阵，底层已优化，对中等规模数据（10^4 点以内）性能足够好。但如果你的环境不能装 scipy，或需要嵌入轻量级部署包，就得手写 NumPy 版本。
纯 NumPy 实现的关键是避免显式循环，用向量化公式：||a - b||² = ||a||² + ||b||² - 2*a·b。它比直接广播减法更省内存（尤其当 n 很大时）：
立即学习“Python免费学习笔记（深入）”；
-
sq_a = np.sum(a**2, axis=1, keepdims=True)→(n, 1) -
sq_b = np.sum(b**2, axis=1, keepdims=True)→(m, 1) -
dot_ab = a @ b.T→(n, m) - 最终：
np.sqrt(sq_a + sq_b.T - 2 * dot_ab)
注意 sq_b.T 才能正确广播；写成 sq_b 会触发 NumPy 的奇怪广播规则，导致结果错位。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
计算单个向量到点集的距离时，别用 reshape(-1, 1) 强行二维化
常见错误：把一维向量 v（shape (d,)）硬改成 v.reshape(1, -1) 再喂给上述通用函数，看似能跑，但其实多余且易错——NumPy 对一维数组和二维数组的广播行为不同。
更干净的做法是利用 NumPy 的隐式广播：
- 若
points是(n, d)，直接写np.sqrt(np.sum((points - v)**2, axis=1)) -
v自动广播为(1, d)，与(n, d)相减得(n, d)，再按行求和 - 不用
reshape，也不用np.newaxis，代码更直觉、出错概率更低
如果坚持用范数函数，必须写 np.linalg.norm(points - v, axis=1)，漏掉 axis=1 就会返回一个标量。
浮点误差导致开方后出现极小负数，怎么办？
用平方和公式 sq_a + sq_b.T - 2 * dot_ab 时，由于浮点精度问题，结果里可能出现 -1e-16 这种负数，传给 np.sqrt 就报 RuntimeWarning: invalid value encountered in sqrt，并产生 nan。
安全做法不是粗暴用 np.abs，而是截断负值：
dist_sq = sq_a + sq_b.T - 2 * dot_ab-
dist_sq = np.maximum(dist_sq, 0)—— 只把负数设为 0，不影响正常正值 - 再
np.sqrt(dist_sq)
这个 np.maximum(..., 0) 步骤在生产代码里不能省，尤其当点坐标跨度大（如同时含 1e6 和 1e-6）时，误差更容易暴露。
