Math is fun对向量(vector)及其运算讲解的非常形象易懂 ,轻松的扫完这篇文章及其相关链接,对于向量也就了然于心啦。
一、向量
1,向量的定义和性质
1)幅度(模)- magnitutide
2)方向(方向角)- direction
3)方向角与方向余弦 - 向量与坐标轴的夹角称为方向角
2,向量的运算
1)向量加减 - 平行四边形(几何)和直角坐标分量(代数法)
2)标量乘向量
注:以上内容参考math is fun - vector即可。
3)数量积(dot product)
“math is fun”上对点积的介绍比较形象,特别是对
注意:两个向量“点乘”的结果是一个标量,故它又称为“数量积”
4)向量积(cross product)
“math is fun”没有提到向量积的模等于“两个向量所在平行四边形”的面积这层几何意义,也没有将“叉积”与行列式联系起来。这一方面可以参考wiki - Cross product和better explained - Cross Product。特别是后者,讲解的很全面,值得一看。
5)混合积
向量积表示面积,混合积表示体积。
总结:看完以上资料,对向量就已经有了基本的了解。特别需要注意的是:向量即可从几何图形上来理解,也可以从代数(各分量)角度来理解。此外,从极坐标的角度来看向量的运算,会更简单。
3,Python向量运算
import numpy as np
import matplotlib.pyplot as plt
# Adding vectors and Substracting vectors
a = np.array([3, 7, 4])
b = np.array([2, 9, 11])
a + b, a - b
(array([ 5, 16, 15]), array([ 1, -2, -7]))
# Magnitude of a Vector
c = np.array([6, 8])
np.linalg.norm(c)
10.0
#Multipying a Vector by a Scalar
m = np.array([7, 3])
3 * m
array([21, 9])
# Multipying vectors
a = np.array([4, 8, 10])
b = np.array([9, 2, 7])
a * b
array([36, 16, 70])
# dot product and cross product
np.dot(a, b), np.cross(a, b)
(122, array([ 36, 62, -64]))
np.sum(a * b)
122
注:数量积是两个向量相同维度的值相乘,然后累加的结果。故有,
二、曲面及方程
1,曲面方程
解析几何中,用“二维”的动点来表示“平面”,用“三维”的动点来表示空间曲面,如下:
例如,中心在
2,旋转曲面
以一条平面曲线绕其平面上的一条直线旋转一周所成的曲面叫“旋转曲面”,旋转曲线和定直线依次叫旋转曲面的“母线”和“轴”。可以从平面曲线的方程推导出旋转曲面的方程。例如:母线方程为
典型的旋转曲面有:柱面(Cylinderical Sufface)、 二次曲面(quadric surface)等。
三、空间曲线
空间曲线可以看作两个空间曲面的交线:
1,参数方程
例如:螺旋线(Helix)
2,空间曲线在坐标平面上的投影
从空间曲线的方程组,消去一个元,比如
这个方程组的第一式是“投影柱面”。
四、空间解析几何中的平面和直线
从“三维”的角度来看“二维”物体,会发现“二维”的物体只是一个特例。
1,平面点法式方程
其中,
用向量的“点乘”来表示空间平面,非常简洁形象。
2,平面的一般方程
3,平面的截距方程
4,两个平面的夹角
两个平面法线向量的夹角(通常指锐角)就是两个平面的夹角。
注:这个公式是从向量的数量积的定义反推出来的。
五、空间直线
空间直线可以看作两个空间平面的交线
1,空间直线的点向式方程
其中,
由于两平面的交线与两平面的法线都垂直,故有
此外,令点向式式方程等于参数 t,即可获得空间直线的参数方程。
2,两空间直线的夹角
空间直线的夹角就是“交线”的夹角,故
3,直线与平面的夹角