结论第一：
从
timeit用于效率测试的测试结果中，我们可以得出 关于效率的 结论：
Method5 (zip, math.sqrt)
> Method1 (numpy.linalg.norm)
> Method2(scipy.spatial.distance)
>Method3(sklearn.metrics.pairwise.euclidean_distances )
虽然我没有真正测试过您，
Method4因为它不适合一般情况，通常等效于
Method5。
对于其余部分，令人惊讶的
Method5是，它是最快的。虽然
Method1它的用途
numpy，如我们所期望的，这是用C大量优化，是第二快的。
因为
scipy.spatial.distance，如果直接转到函数定义，您将看到它实际上正在使用
numpy.linalg.norm，除了它将在real之前对两个输入向量执行验证
numpy.linalg.norm。这就是为什么它慢一点的原因
numpy.linalg.norm。
最后对于
sklearn，根据文档：
与其他计算距离的方式相比，此公式具有两个优点。首先，在处理稀疏数据时它的计算效率很高。其次，如果一个参数变化而另一个参数保持不变，则可以预先计算点（x，x）和/或点（y，y）。但是，这不是进行此计算的最精确方法，并且此函数返回的距离矩阵可能未按要求完全对称
由于在您的问题中您想使用一组固定的数据，因此未体现此实现的优势。而且由于性能和精度之间的权衡，它在所有方法中也给出了最差的精度。
关于精度 ， Method5
= Metho1
= Method2
>Method3
效率测试脚本：
import numpy as npfrom scipy.spatial import distancefrom sklearn.metrics.pairwise import euclidean_distancesimport math# 1def eudis1(v1, v2): return np.linalg.norm(v1-v2)# 2def eudis2(v1, v2): return distance.euclidean(v1, v2)# 3def eudis3(v1, v2): return euclidean_distances(v1, v2)# 5def eudis5(v1, v2): dist = [(a - b)**2 for a, b in zip(v1, v2)] dist = math.sqrt(sum(dist)) return distdis1 = (52, 106, 35, 12)dis2 = (33, 153, 75, 10)v1, v2 = np.array(dis1), np.array(dis2)import timeitdef wrapper(func, *args, **kwargs): def wrapped(): return func(*args, **kwargs) return wrappedwrappered1 = wrapper(eudis1, v1, v2)wrappered2 = wrapper(eudis2, v1, v2)wrappered3 = wrapper(eudis3, v1, v2)wrappered5 = wrapper(eudis5, v1, v2)t1 = timeit.repeat(wrappered1, repeat=3, number=100000)t2 = timeit.repeat(wrappered2, repeat=3, number=100000)t3 = timeit.repeat(wrappered3, repeat=3, number=100000)t5 = timeit.repeat(wrappered5, repeat=3, number=100000)print('n')print('t1: ', sum(t1)/len(t1))print('t2: ', sum(t2)/len(t2))print('t3: ', sum(t3)/len(t3))print('t5: ', sum(t5)/len(t5))效率测试输出：
t1: 0.654838958307t2: 1.53977598714t3: 6.7898791732t5: 0.422228400305
精密测试脚本和结果：
In [8]: eudis1(v1,v2)Out[8]: 64.60650122085238In [9]: eudis2(v1,v2)Out[9]: 64.60650122085238In [10]: eudis3(v1,v2)Out[10]: array([[ 64.60650122]])In [11]: eudis5(v1,v2)Out[11]: 64.60650122085238
