仿射变换矩阵必须是4×4且点坐标需补1升维为齐次坐标；NumPy无现成函数，须手动构造矩阵乘法：先用np.column_stack([points, np.ones(len(points))])升维，再用points_h @ T.T完成变换，最后取[:, :3]截取结果。
仿射变换矩阵必须是4×4，且点坐标要补1升维
NumPy本身不提供现成的点云仿射变换函数，得自己构造矩阵乘法。核心在于：三维点云是 N×3 形状，而仿射变换（含平移）要求用齐次坐标——必须把每个点变成 [x, y, z, 1]，即升维到 N×4；变换矩阵也必须是 4×4。直接对 N×3 点阵乘 4×4 矩阵会报 ValueError: matmul: Input operand 1 has a mismatch in its core dimension 0。
实操建议：
- 用
np.column_stack([points, np.ones(len(points))])快速补1，比循环或np.hstack更简洁安全 - 别手写
[[R, t], [0, 1]]拼接矩阵——容易维度错位；推荐用np.eye(4)初始化后赋值：T[0:3, 0:3] = R; T[0:3, 3] = t - 若点云量大（>10⁵），避免用
np.dot，改用@运算符，它对float32友好且触发优化路径
旋转矩阵R不能直接用欧拉角数组，得逐个转或向量化构造
很多人想传入一个形状为 (N, 3) 的欧拉角数组，然后“批量生成R”，但 scipy.spatial.transform.Rotation 的 from_euler 默认不支持批量构造后再批量应用——它返回的是 Rotation 对象，.apply() 是针对单组R作用于多点，不是多组R作用于多点。
实操建议：
- 如果所有点共用同一套旋转+平移（最常见场景），只构造一个
4×4矩阵，一次乘完：points_h @ T.T（注意转置！因为@是左乘，而标准齐次变换是T @ points_h.T，转置后等价于points_h @ T.T） - 如果真需要每个点不同变换（如每点带独立姿态），用
np.einsum('nij,nj->ni', Rs, points_h)，其中Rs是(N, 4, 4)，points_h是(N, 4)；但内存开销大，慎用 - 绕坐标轴的简单旋转（如绕Z轴θ角），直接写解析式比调库快：
R_z = [[c, -s, 0, 0], [s, c, 0, 0], [0, 0, 1, 0], [0, 0, 0, 1]]，c, s = np.cos(theta), np.sin(theta)
结果要切掉齐次坐标最后一列，且注意数据类型溢出
变换后得到的是 N×4 齐次结果，最后一列理论上全是1，但浮点误差可能导致 1.0000000000000002 或 0.9999999999999998。直接除以最后一列做归一化（用于透视投影等）在这里不必要，反而引入额外计算和误差。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
实操建议：
- 一律用
transformed[:, :3]截取前3列，这是最稳、最快的做法 - 原始点云若是
int16（如某些LiDAR设备输出），务必先转成float32或float64再做变换，否则int16 × float会静默转为float64，浪费内存；更糟的是，平移项若超±32767会导致截断 - 若后续要转回整型（如存PLY），用
np.round().astype(np.int32)，别用int()或//1，它们会向零截断，破坏对称性
用@代替np.dot时，矩阵顺序和形状容易搞反
错误最常出现在这里：np.dot(T, points_h.T).T 和 points_h @ T.T 数学等价，但新手常写成 points_h @ T 或 T @ points_h，导致形状不匹配或结果错位。根本原因是混淆了“变换作用于点”和“矩阵乘法规则”。
记住一个锚点：设 points_h.shape == (N, 4)，T.shape == (4, 4)，那么合法且语义正确的写法只有：
-
(N, 4) @ (4, 4)→(N, 4)：即points_h @ T.T（因T是“右乘”形式定义的） - 或者先转置点：
points_h.T是(4, N)，再T @ points_h.T→(4, N)，最后转回来：(T @ points_h.T).T - 打印中间形状调试：在关键行加
print(points_h.shape, T.shape, (points_h @ T.T).shape)
实际中，点云仿射变换的坑不在数学，而在齐次坐标的隐式约定、NumPy广播与乘法优先级的微妙差异。哪怕矩阵推导完全正确，一个没转置、一个漏补1，结果就全偏了。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
