加权欧式距离的计算可以通过以下步骤进行编程实现：
计算原始欧式距离
首先，计算测试样本与训练集中每个样本之间的原始欧式距离。这可以通过`pdist`函数实现，该函数计算两个向量之间的欧氏距离。
计算权重
根据距离的远近给每个近邻一个权重。权重的计算公式通常为：
\[ w（i） = \frac{h（k） - h（i）}{h（k） - h（1）} \]
其中，\（ h（i） \） 是待测样本距离第 \（ i \） 个近邻的距离，\（ h（k） \） 是待测样本距离第 \（ k \） 个近邻的距离。
计算加权距离
将每个近邻的原始距离乘以其对应的权重，然后求和，得到加权距离。
```matlab
% 导入数据
dataSet = [5, 50, 149, ...]； % 测试样本距离每个训练样本的距离向量
labels = ['1', '2', '40']； % 训练集的标签列表
k = 3； % k值
% 计算原始欧式距离
rawDistances = pdist（dataSet, 'seuclidean'）；
% 计算权重
distancesWithIndex = sort（rawDistances, 'descend'）；
weights = （k - distancesWithIndex） / （k - distancesWithIndex（1））；
% 计算加权距离
weightedDistances = sum（distancesWithIndex * weights, 2）；
% 输出结果
disp（weightedDistances）；
```
在这个示例中，`dataSet` 是测试样本的距离向量，`labels` 是训练集的标签列表，`k` 是近邻的数量。`pdist` 函数用于计算原始欧式距离，然后通过排序和计算权重来得到加权距离。
建议
选择合适的距离度量：根据具体应用场景选择合适的距离度量（如欧氏距离、曼哈顿距离等）。
调整权重函数：权重的计算方式可以根据具体需求进行调整，例如使用其他函数来定义权重。
优化性能：对于大规模数据集，可以考虑使用更高效的算法或并行计算来提高计算速度。