在Python中，计算距离的方法取决于您想计算的是哪种类型的距离。以下是几种常见距离的计算方法：
曼哈顿距离（Manhattan Distance）
曼哈顿距离是两点在标准坐标系上的绝对轴距总和。
```python
import numpy as np
from scipy.spatial import distance
A = np.array（[1,2,3]）
B = np.array（[4,5,6]）
方法一：直接构造公式计算
dist1 = np.sum（np.abs（A-B））
方法二：内置线性代数函数计算
dist2 = np.linalg.norm（A-B, ord=1）
方法三：scipy库计算
dist3 = distance.cityblock（A,B）
欧式距离（Euclidean Distance）欧式距离是两点间的直线距离，计算方式是将两点各个坐标分量的差值的平方相加后开平方。```pythonimport math
def euclidean_distance（x1, y1, x2, y2）:
return math.sqrt（（x2 - x1）2 + （y2 - y1）2）
示例
x1, y1 = 1, 2
x2, y2 = 4, 6
print（euclidean_distance（x1, y1, x2, y2）） 输出：5.0
切比雪夫距离（Chebyshev Distance）
切比雪夫距离是两点间在各个坐标上的最大差值。
```python
def chebyshev_distance（x1, y1, x2, y2）:
return max（abs（x2 - x1）, abs（y2 - y1））
示例
x1, y1 = 1, 2
x2, y2 = 4, 6
print（chebyshev_distance（x1, y1, x2, y2）） 输出：5
闵可夫斯基距离（Minkowski Distance）闵可夫斯基距离是曼哈顿距离和欧式距离的泛化形式，由参数p决定。```pythondef minkowski_distance（x1, y1, x2, y2, p=2）:
return （abs（x2 - x1）p + abs（y2 - y1）p）0.5
示例
x1, y1 = 1, 2
x2, y2 = 4, 6
print（minkowski_distance（x1, y1, x2, y2, p=2）） 输出：5.0
汉明距离（Hamming Distance）
汉明距离是用于比较两个等长字符串的差异，即位置不同的字符个数。
余弦距离（Cosine Distance）
余弦距离用于计算两个向量之间的夹角余弦值，常用于文本相似度计算。
编辑距离（Edit Distance）
编辑距离用于计算两个字符串之间的编辑操作（插入、删除、替换）的最小次数。
```python
def edit_distance（s1, s2）:
动态规划实现编辑距离
m, n = len（s1）, len（s2）
dp = [[0 for _ in range（n+1）] for _ in range（m+1）]
for i in range（m+1）:
for j in range（n+1）:
if i == 0:
dp[i][j] = j
elif j == 0:
dp[i][j] = i
elif s1[i-1] == s2[j-1]:
dp[i][j] = dp[i-1][j-1]
else:
dp[i][j] = 1 + min（dp[i-1][j], dp[i][j-1], dp[i-1][j-1]）
return dp[m][n]
示例
s1 = "kitten"
s2 = "sitting"
print（edit_distance（s1, s2）） 输出：3
以上是几种常见的距离计算方法及其在Python中的实现。您可以根据需要选择合适的计算方法来计算距离