怎样在Python中用NumPy计算点到线段的最短投影距离-Python教程-PHP中文网

点到线段的最短距离需先判断垂足是否在线段上：计算投影参数t，t1时取p2，否则用点到直线距离公式。

怎样在python中用numpy计算点到线段的最短投影距离

点到线段的最短距离不是点到直线的距离

直接套用点到直线距离公式（如 np.linalg.norm(np.cross(p2-p1, p1-p0)) / np.linalg.norm(p2-p1)）会出错——它算的是点到**无限长直线**的距离，而线段有端点约束。当垂足落在线段外时，最短距离其实是点到较近端点的距离。

用向量投影判断垂足是否在线段上

核心是把问题拆成两步：先求点 p0 到过 p1、p2 的直线的投影点，再检查该投影是否落在线段 [p1, p2] 内。关键看参数 t = np.dot(p0 - p1, p2 - p1) / np.dot(p2 - p1, p2 - p1)：

若 t ，垂足在 <code>p1 左侧 → 最短距离为 np.linalg.norm(p0 - p1)
若 t >= 1，垂足在 p2 右侧 → 最短距离为 np.linalg.norm(p0 - p2)
若 0 ，垂足在线段内部 → 距离为 <code>np.linalg.norm(p0 - (p1 + t * (p2 - p1)))

注意浮点精度和零向量陷阱

当 p1 和 p2 几乎重合时，np.dot(p2 - p1, p2 - p1) 接近零，会导致除零或数值不稳定：

提示词大师-python版

图片提示词生成器？不止如此。马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。输入「新手指南」查看完整功能介绍

下载

务必先检查 np.allclose(p1, p2)，若是退化线段，直接返回 np.linalg.norm(p0 - p1)
t 的计算建议用 np.clip(t, 0, 1) 替代手动判断边界，更鲁棒（尤其在 t 因浮点误差略超 [0,1] 时）
避免用 == 比较浮点 t 是否等于 0 或 1

一个可直接复用的 NumPy 函数

下面函数输入均为 shape (2,) 的 np.ndarray，返回标量距离：

def point_to_segment_dist(p0, p1, p2):
    if np.allclose(p1, p2):
        return np.linalg.norm(p0 - p1)
    seg_vec = p2 - p1
    seg_len_sq = np.dot(seg_vec, seg_vec)
    t = np.clip(np.dot(p0 - p1, seg_vec) / seg_len_sq, 0, 1)
    proj = p1 + t * seg_vec
    return np.linalg.norm(p0 - proj)

调用示例：point_to_segment_dist(np.array([3,2]), np.array([0,0]), np.array([2,2])) 返回约 0.707；若把 p0 换成 [-1,-1]，则返回 np.sqrt(2)（到 p1 的距离）。

真正容易被忽略的是：这个逻辑不依赖坐标系方向，但所有点必须是同一坐标系下的二维向量；三维点也适用，只需确保输入是 (3,) 向量且用 np.linalg.norm 计算欧氏距离。