我没有看到一个内置的，但你可以做自己很容易。

distances = (a-b)**2
distances = distances.sum(axis=-1)
distances = np.sqrt(distances)

hypot是另一个有效的替代方案

a, b = randn(10, 2), randn(10, 2)
ahat, bhat = (a - b).T
r = hypot(ahat, bhat)

手动计算和hypot之间的timeit s结果：
说明书：

timeit sqrt(((a - b) ** 2).sum(-1))
100000 loops, best of 3: 10.3 µs per loop

使用hypot：

timeit hypot(ahat, bhat)
1000000 loops, best of 3: 1.3 µs per loop

现在来看看一些成人大小的数组：

a, b = randn(1e7, 2), randn(1e7, 2)
ahat, bhat = (a - b).T

timeit -r10 -n3 hypot(ahat, bhat)
3 loops, best of 10: 208 ms per loop

timeit -r10 -n3 sqrt(((a - b) ** 2).sum(-1))
3 loops, best of 10: 224 ms per loop

这两种方法之间的性能差别不大。你可以通过避免使用pow来从后者中挤出一点点：

d = a - b

timeit -r10 -n3 sqrt((d * d).sum(-1))
3 loops, best of 10: 184 ms per loop

尝试将[:, np.newaxis, :]添加到第一个参数

np.linalg.norm(grid[:, np.newaxis, :] - scenario.target, axis=-1)

ref Numpy Broadcast to perform euclidean distance vectorized