导入必要库 ：

from scipy.spatial.distance import pdist, squareform

一、距离计算（压缩成一维的）

1、欧式距离

        计算数组矩阵 X 样本之间的欧式距离，返回值为 Y 为压缩距离元组或矩阵（以下等同）

X = pdist(X, 'euclidean')

2、明氏距离

X = pdist(X, 'minkowski', p)

3、曼哈顿距离

Y = pdist(X, 'cityblock')

4、标准化欧式距离

        计算数组样本之间的标准化欧式距离 ，v是方差向量，表示 v[i]表示第i个分量的方差，如果缺失。默认自动计算。

X = pdist(X, 'seuclidean', V=None)

5、欧式距离的平方

X = pdist(X, 'sqeuclidean')

6、余弦距离

X = pdist(X, 'cosine')

7、相关距离

X = pdist(X, 'hamming')

        注意：相关距离 + 相关系数 = 1。所以，相关系数为：

X = 1 - pdist(X, 'correlation')

# 或采用 numpy 的相关系数函数
X = np.corrcoef(X)

8、汉明距离

X = pdist(X, 'hamming')

9、杰卡德距离

X = pdist(X, 'jaccard')

10、切比雪夫距离

X = pdist(X, 'chebyshev')

11、堪培拉距离

 X = pdist(X, 'canberra')

12、马氏距离

X = pdist(X, 'mahalanobis', VI=None)

        还有很多，具体参考官方文件。

二、解压（即解压成 N * N 矩阵）

Y = squareform(X, force='no', checks=True)

        其中，X 就是上文提到的压缩矩阵 Y，force 如同 MATLAB 一样，如果 force 等于 ‘tovector’ or ‘tomatrix’, 输入就会被当做距离矩阵或距离向量。

        cheak 当 X-X.T 比较小或 diag(X) 接近于零，是有必要设成 True 的，返回值 Y 为一个距离矩阵Y[i，j] 表示样本 i 与样本 j 的距离。