Python 画图 向量a在向量b上的投影（Projection of Vector a on Vector b）

Python 画图 向量a在向量b上的投影（Projection of Vector a on Vector b）

flyfish

向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影（Projection of Vector $\vec{a}$ on Vector $\vec{b}$）是指向量 $\vec{a}$ 在向量 $\vec{b}$ 方向上的分量。这个投影可以理解为 $\vec{a}$ 在 $\vec{b}$ 方向上“影子”的长度和方向，即下图紫色虚线。

数学定义

向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影向量 ${\text{proj}}_{\vec{b}}\vec{a}$ 可以通过以下公式计算：

$${\text{proj}}_{\vec{b}}\vec{a}=\left(\frac{\vec{a}\cdot \vec{b}}{\vec{b}\cdot \vec{b}}\right)\vec{b}$$

这里：

• $\vec{a}\cdot \vec{b}$ 是向量 $\vec{a}$ 和向量 $\vec{b}$ 的点积（内积），表示为：
  $$\vec{a}\cdot \vec{b}=a_1{b}_1+a_2{b}_2+\cdots +a_n{b}_n$$
• $\vec{b}\cdot \vec{b}$ 是向量 $\vec{b}$ 的模的平方，表示为：
  $$\vec{b}\cdot \vec{b}=\Vert \vec{b}{\Vert }^2=b_1^2+b_2^2+\cdots +b_n^2$$
• $\left(\frac{\vec{a}\cdot \vec{b}}{\vec{b}\cdot \vec{b}}\right)$ 是一个标量，表示 $\vec{a}$ 在 $\vec{b}$ 方向上的分量的长度。
• $\vec{b}$ 是向量 $\vec{b}$ 本身，用来确定投影的方向。

投影长度

向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影长度（标量形式）可以通过以下公式计算：

$$|{\text{proj}}_{\vec{b}}\vec{a}|=\frac{|\vec{a}\cdot \vec{b}|}{\Vert \vec{b}\Vert }$$

这里：

• $|\vec{a}\cdot \vec{b}|$ 是向量 $\vec{a}$ 和向量 $\vec{b}$ 点积的绝对值。
• $\Vert \vec{b}\Vert$ 是向量 $\vec{b}$ 的模长，表示为：
  $$\Vert \vec{b}\Vert =\sqrt{b_1^2+b_2^2+\cdots +b_n^2}$$

几何意义

1. 方向：投影向量 ${\text{proj}}_{\vec{b}}\vec{a}$ 的方向与向量 $\vec{b}$ 的方向相同（或相反，取决于点积的符号）。
2. 长度：投影向量的长度表示 $\vec{a}$ 在 $\vec{b}$ 方向上的分量的大小。

示例

假设 $\vec{a}=\left(\begin{array}{c}2\\ 3\end{array}\right)$ 和 $\vec{b}=\left(\begin{array}{c}4\\ 0\end{array}\right)$，我们来计算 $\vec{a}$ 在 $\vec{b}$ 上的投影。

1. 计算点积：
   $$\vec{a}\cdot \vec{b}=2\cdot 4+3\cdot 0=8$$

2. 计算 $\vec{b}$ 的模的平方：
   $$\vec{b}\cdot \vec{b}=4^2+0^2=16$$

3. 计算投影向量：
   $${\text{proj}}_{\vec{b}}\vec{a}=\left(\frac{8}{16}\right)\left(\begin{array}{c}4\\ 0\end{array}\right)=\frac{1}{2}\left(\begin{array}{c}4\\ 0\end{array}\right)=\left(\begin{array}{c}2\\ 0\end{array}\right)$$

4. 计算投影长度：
   $$|{\text{proj}}_{\vec{b}}\vec{a}|=\frac{|8|}{\sqrt{16}}=\frac{8}{4}=2$$

因此，向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影向量是 $\left(\begin{array}{c}2\\ 0\end{array}\right)$，投影长度是 2。

import matplotlib.pyplot as plt
import numpy as np

# 设置画布大小和背景颜色
fig, ax = plt.subplots(figsize=(8, 6))  # 创建一个新的图形并设置其大小
ax.set_facecolor('beige')  # 设置绘图区域的背景颜色为米色

# 定义向量a和b
vector_a = np.array([2, 3])  # 向量a的坐标
vector_b = np.array([4, 0])  # 向量b的坐标

# 绘制向量a
origin = np.array([0, 0])  # 向量的起点
ax.quiver(*origin, *vector_a, color='blue', scale_units='xy', angles='xy', scale=1, label=r'$\vec{a}$')  # 使用quiver函数绘制向量a，颜色为蓝色

# 绘制向量b
ax.quiver(*origin, *vector_b, color='teal', scale_units='xy', angles='xy', scale=1, label=r'$\vec{b}$')  # 使用quiver函数绘制向量b，颜色为蓝绿色

# 计算向量a在向量b上的投影长度
proj_length = np.dot(vector_a, vector_b) / np.linalg.norm(vector_b)  # 计算向量a在向量b上的投影长度
projection = proj_length * vector_b / np.linalg.norm(vector_b)  # 计算投影点的坐标

# 绘制投影线段
ax.plot([0, projection[0]], [0, projection[1]], linestyle='dashed', color='purple', label='Projection')  # 绘制从原点到投影点的虚线，颜色为紫色
ax.plot([vector_a[0], projection[0]], [vector_a[1], projection[1]], linestyle='dotted', color='gray', label='A to Projection')  # 绘制从点A到投影点的点划线，颜色为灰色

# 添加文本标签
ax.text(-0.3, -0.3, r'$O$', fontsize=14, color='black')  # 在原点附近添加文本标签O
ax.text(2.1, 3.1, r'$A$', fontsize=14, color='blue')  # 在点A附近添加文本标签A
ax.text(4.0, -0.3, r'$B$', fontsize=14, color='teal')  # 在点B附近添加文本标签B
ax.text(0.5, 0.3, r'$\theta$', fontsize=14, color='red')  # 在原点附近添加角度θ的标签
ax.text(1.0, -0.5, r'$|a|\cos{\theta}$', fontsize=14, color='purple')  # 在投影线段下方添加投影长度的标签

# 添加点标记
ax.scatter(projection[0], projection[1], color='purple', s=100, label='Projection Point')  # 标记投影点，颜色为紫色
ax.scatter(vector_b[0], vector_b[1], color='teal', s=100, label=r'End of $\vec{b}$')  # 标记向量b的终点，颜色为蓝绿色
ax.scatter(origin[0], origin[1], color='black', s=100, label='Origin')  # 标记原点，颜色为黑色
ax.scatter(vector_a[0], vector_a[1], color='blue', s=100, label='Point A')  # 标记点A，颜色为蓝色

# 设置坐标轴范围和隐藏坐标轴
ax.set_xlim([-1, 5])  # 设置x轴的显示范围
ax.set_ylim([-1, 4])  # 设置y轴的显示范围
ax.axis('off')  # 隐藏坐标轴

# 显示图例
ax.legend(loc='upper right')  # 在右上角显示图例

# 显示图形
plt.show()  # 显示图形

在Python字符串中，前缀 r 表示一个原始字符串（raw string）。原始字符串中的反斜杠 \ 不会被转义，而是作为普通字符处理。这对于包含反斜杠的字符串（如正则表达式或LaTeX公式）非常有用，因为这样可以避免多次转义带来的混乱。

ax.text(1.0, -0.5, r'$|a|\cos{\theta}$', fontsize=14, color='purple')

这里的 r 就是用来告诉Python解析器，这个字符串中的反斜杠 \ 是普通字符，而不是转义字符。这样，$\cos{\theta}$ 就会被正确地解析为LaTeX数学模式中的余弦函数符号。

如果不使用 r 前缀，字符串中的反斜杠会被转义，例如：

• '\n' 会被解析为换行符。
• '\t' 会被解析为制表符。

使用 r 前缀可以确保LaTeX公式中的反斜杠不会被错误解析，从而正确显示数学符号。

计算向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影长度和投影点的坐标

• np.dot(vector_a, vector_b)：计算向量 $\vec{a}$ 和 $\vec{b}$ 的点积。
• np.linalg.norm(vector_b)：计算向量 $\vec{b}$ 的模。
• proj_length：计算向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影长度。
• projection：计算向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影向量的坐标。

1. 计算向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影长度

proj_length = np.dot(vector_a, vector_b) / np.linalg.norm(vector_b)

解释：

• np.dot(vector_a, vector_b)：这是计算向量 $\vec{a}$ 和向量 $\vec{b}$ 的点积（内积）。点积的公式是：
  $$\vec{a}\cdot \vec{b}=a_1{b}_1+a_2{b}_2+\cdots +a_n{b}_n$$
  其中 $a_i$ 和 $b_i$ 分别是向量 $\vec{a}$ 和 $\vec{b}$ 的对应分量。

• np.linalg.norm(vector_b)：这是计算向量 $\vec{b}$ 的模（长度）。模的公式是：
  $$\Vert \vec{b}\Vert =\sqrt{b_1^2+b_2^2+\cdots +b_n^2}$$
  np.linalg.norm 是 NumPy 库中的一个函数，用于计算向量的范数（默认是2-范数，即欧几里得距离）。

• proj_length：这是向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影长度。根据公式：
  $$\text{proj\_length}=\frac{\vec{a}\cdot \vec{b}}{\Vert \vec{b}\Vert }$$

2. 计算投影点的坐标

projection = proj_length * vector_b / np.linalg.norm(vector_b)

解释：

• proj_length * vector_b：这一步是将投影长度乘以向量 $\vec{b}$。这会得到一个与 $\vec{b}$ 方向相同的向量，但长度为 proj_length。

• / np.linalg.norm(vector_b)：这一步是将上述结果除以 $\vec{b}$ 的模。这样做是为了将向量 $\vec{b}$ 归一化（即变成单位向量），从而确保投影向量的长度为 proj_length。

• projection：这是向量 $\vec{a}$ 在向量 $\vec{b}$ 上的投影向量的坐标。根据公式：
  $$\text{projection}=\left(\frac{\vec{a}\cdot \vec{b}}{\Vert \vec{b}{\Vert }^2}\right)\vec{b}$$
  这个公式可以分解为：
  $$\text{projection}=\left(\frac{\vec{a}\cdot \vec{b}}{\Vert \vec{b}\Vert }\right)\left(\frac{\vec{b}}{\Vert \vec{b}\Vert }\right)$$
  其中，$\frac{\vec{b}}{\Vert \vec{b}\Vert }$ 是 $\vec{b}$ 的单位向量。