Python是一门强大的编程语言，其中涉及到的科学计算库和数据分析库使得该语言在数据科学和机器学习领域得到了广泛的应用。有时候，我们需要计算一组数据点之间的距离，这时候python中的距离矩阵计算工具可以帮助我们快速准确地完成这项任务。

import numpy as np

def euclidean_distance(point1, point2):
    return np.sqrt(np.sum(np.square(point1 - point2)))

def distance_matrix(dataset):
    n_samples = dataset.shape[0]
    dist_matrix = np.zeros((n_samples, n_samples))
    for i in range(n_samples):
        for j in range(n_samples):
            if j <= i:
                dist_matrix[i][j] = 0
            else:
                dist_matrix[i][j] = euclidean_distance(dataset[i], dataset[j])
                dist_matrix[j][i] = dist_matrix[i][j]
    return dist_matrix

上述代码定义了两个函数，分别用于计算欧几里得距离和距离矩阵。其中，欧几里得距离的计算方式是将两个数据点的每个维度的差的平方相加后开方。距离矩阵由全部数据点的两两距离组成，对称矩阵对角线位置为0。

在距离矩阵计算中，我们需要通过两个嵌套循环枚举全部数据点的组合，这会导致计算复杂度的增加。但是，在一些优化手段之后，距离矩阵计算可以高效地完成。

在使用上述代码时，需要将数据点组成的集合传入到distance_matrix函数中，得到的矩阵即是数据点之间的距离矩阵。