Python与NumPy实战：点积与叉积的几何奥秘

第一次接触线性代数时，那些抽象的概念总让人望而生畏。直到我开始用Python和NumPy实际计算向量运算，才发现数学公式背后的几何直觉如此直观。记得在做一个3D渲染项目时，我需要计算光照效果——点积帮我解决了表面明暗，而叉积则确定了每个面的朝向。那一刻，这些运算突然从课本上的符号变成了手中的实用工具。

1. 点积：相似度的数学表达

点积（Dot Product）在NumPy中通过 np.dot() 或 @ 运算符实现。它衡量的是两个向量在方向上的相似程度。

import numpy as np

# 定义两个3D向量
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 计算点积的三种等效方式
dot1 = np.dot(a, b)
dot2 = a @ b
dot3 = (a * b).sum()

print(f"点积结果: {dot1}")  # 输出: 32

点积的几何意义可以通过投影来理解。假设|a|=1（单位向量），a·b就等于b在a方向上的投影长度。这个特性在计算机图形学中极为实用：

• 光照计算 ：表面亮度取决于光线方向与法向量的点积
• 碰撞检测 ：判断物体是否在另一个物体的前方
• 相似度计算 ：推荐系统中用户偏好的匹配程度

提示：当点积结果为0时，说明两向量垂直；为正时夹角小于90°；为负时夹角大于90°

2. 叉积：空间定向的魔法

叉积（Cross Product）产生的是一个新的向量，在3D空间中这个新向量垂直于原始向量所在的平面。NumPy中使用 np.cross() 计算：

# 继续使用前面的向量
cross = np.cross(a, b)
print(f"叉积结果: {cross}")  # 输出: [-3  6 -3]

叉积的模长等于两向量构成的平行四边形面积，这个性质在计算机视觉中有重要应用：

# 计算三角形面积示例
v1 = np.array([0, 0])
v2 = np.array([4, 0])
v3 = np.array([4, 3])

# 通过叉积计算面积
edge1 = v2 - v1
edge2 = v3 - v1
area = 0.5 * np.cross(edge1, edge2)
print(f"三角形面积: {area}")  # 输出: 6.0

3. 实战应用：从理论到代码

3.1 计算向量夹角

结合点积公式a·b = |a||b|cosθ，我们可以计算两向量夹角：

def angle_between(v1, v2):
    """计算两向量间夹角(弧度)"""
    cos_theta = (v1 @ v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))
    return np.arccos(np.clip(cos_theta, -1, 1))

# 示例使用
vec1 = np.array([1, 0])
vec2 = np.array([1, 1])
print(f"夹角: {np.degrees(angle_between(vec1, vec2)):.1f}°")  # 输出: 45.0°

3.2 判断点与直线关系

利用叉积可以判断点在直线的哪一侧：

def point_line_side(point, line_start, line_end):
    """判断点在直线的哪一侧"""
    cross = np.cross(line_end - line_start, point - line_start)
    return np.sign(cross)

# 测试
line_start = np.array([0, 0])
line_end = np.array([1, 1])
point = np.array([0, 1])

side = point_line_side(point, line_start, line_end)
print(f"点位于直线{'左侧' if side > 0 else '右侧' if side < 0 else '上'}")  # 输出: 左侧

4. 可视化理解

使用Matplotlib可以直观展示这些运算的几何意义：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 创建3D图形
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# 原始向量
vec_a = [1, 2, 3]
vec_b = [4, 5, 6]

# 绘制向量
ax.quiver(0, 0, 0, *vec_a, color='r', label='向量A')
ax.quiver(0, 0, 0, *vec_b, color='b', label='向量B')

# 绘制叉积结果
cross = np.cross(vec_a, vec_b)
ax.quiver(0, 0, 0, *cross, color='g', label='叉积A×B')

# 设置图形属性
ax.set_xlim([0, 7])
ax.set_ylim([0, 7])
ax.set_zlim([0, 7])
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
ax.legend()
plt.title('向量叉积可视化')
plt.tight_layout()
plt.show()

这段代码会生成一个3D图，清晰展示原始向量和它们的叉积向量之间的垂直关系。在实际项目中，这种可视化能帮助快速验证计算结果的正确性。