实际上，在scipy中，默认情况下是欧氏距离。但是，如果你想要更大的灵活性，为什么不使用sklearn距离矩阵呢？
它具有许多其他距离，您也可以使用自己的距离函数
函数如下所示：

sklearn.metrics.pairwise_distances(X, Y=None, metric='euclidean', *, n_jobs=None, force_all_finite=True,**kwds)

请参阅param度量：

metric: str or callable, default=’euclidean’

计算功能数组中示例之间的距离时使用的度量。如果度量是字符串，则它必须是scipy.spatial.distance.pdist允许的度量参数选项之一，或者是pairwise.PAIRWISE_DISTANCE_FUNCTIONS中列出的度量。如果度量是“预先计算的，”则假定X是距离矩阵。或者，如果度量是可调用函数，在每一对示例（行）上调用它并记录结果值。2该可调用函数应该接受X中的两个数组作为输入，并返回一个表示它们之间距离的值。
可用的距离度量包括：

‘cosine’
‘euclidean’
‘haversine’
‘manhattan’
‘nan_euclidean’

如果您坚持使用scipy，那么对于曼哈顿，您需要添加p参数

distance_matrix(df.values, df.values, p=1)

对于欧氏距离p=2，这是默认的。