点到向量距离（含Python代码）

###向量间投影和距离

这段时间用到了点到向量的距离，发现已经还给高数老师了。借这篇博客（参考英文博客）总结回顾一下，并且附上Python代码。先回顾下向量点积和叉乘公式，$a\cdot b=|a||b|cos(\theta )$，|$a\times b|=|a||b|sin(\theta )$。

从下图可以看出***b***向量在***a***向量上的投影长度是$|b|cos(\theta )$，可以通过***b***和***a***的点积除以***a***的长度，实际的投影向量$pro{j}_a^b=(a/|a|)(a\cdot b/|a|)$。同理，***b***到***a***的距离为$|b|sin(\theta )$，可以通过***b***和***a***的叉乘除以***a***的长度得到，即$ort{h}_a^b=(a\times b)/|a|$。可知$distance=|a\times b|/|a|$，并且$b=pro{j}_a^b+ort{h}_a^b$。

###点到向量的距离

考虑下图中上半部分，求点P到直线L的距离，其中L的方向向量是***v***。任取直线上一点Q，$d=|QP\times v|/|v|$ ，设P点坐标为(1,3,8)，Q点坐标是(-2,1,-3)，可知$QP=<3,2,11>$，另设$v=<1,-2,-1>$。

通过叉乘的计算公式（如下图，联想行列式计算公式），我们可知$QP\times v=20i+14j-8k$。通过$distance=|a\times b|/|a|$，可知$d\approx 10.49$。

Python程序

可以通过Python脚本模拟上述过程，代码如下。$np.cross(QP,v)$求$QP\times v$，$np.linalg.norm(v)$求$|v|$，两者相除之后再进行一次$np.linalg.norm$得到$d=|QP\times v|/|v|$，结果跟手动计算一致。

import numpy as np

QP = np.array([3,2,11])
v = np.array([1,-2,-1])

h = np.linalg.norm(np.cross(QP, v)/np.linalg.norm(v))

print h