笛卡尔坐标

本章主题:笛卡尔坐标系

在本主题中,我们将讨论笛卡尔坐标系,这是一种在二维空间中绘制点的方法。你可能在学校里学过,称为 x--y 平面,所以本节内容更像是一次回顾。

平面上的笛卡尔坐标

笛卡尔坐标系是最常见的坐标系统,它基于正交轴的概念,也就是说你可以沿着一个轴移动,而不会影响在另一个轴上的位置。例如在地图上,南北方向的轴与东西方向的轴是正交的。

在平面上,笛卡尔坐标系由一个点 O (原点)组成,它的坐标是 (0, 0) ,还有两条正交的轴,分别是 x 轴y 轴。这两条轴在原点 O 处相交,形成直角,并将平面划分为四个对称的部分。

平面上的每个点都是相对于这两条轴来定义的,因此它都有两个坐标:x 坐标y 坐标 。这两个坐标都是实数。按照约定,我们将它们写作 (x, y) ,例如下面绿色的点坐标是 x = 2,y = 3 ,因此它表示为 (2, 3)

这张图展示了每个点可以看作是一个 x 坐标 (水平虚线)加上一个 y 坐标 (垂直虚线)------包括原点 O,在这个点上这两条线的长度都是 0。


象限(Quadrants)

如前所述,这两条坐标轴把无限的平面分成了四个部分,这些部分被称为第 I 到第 IV 象限,按如下顺序排列:

复制代码
I    |   II
------------
IV   |  III

处于同一象限的点,其 x 坐标y 坐标 的正负号是相同的。

由于 x 轴 上所有点的 y 坐标 都为 0,y 轴 上所有点的 x 坐标 都为 0,因此它们不属于任何一个象限。

如果你忘记了象限的顺序,可以从第一象限(右上角)开始,逆时针画一个大写的 C,按此顺序记住 I → II → III → IV。如果你忘了第一象限在哪,或者忘了字母 C 的形状,那就无能为力了(笑)。

象限可以帮助我们大致描述 x--y 平面。例如,直线 y = x 通过第一象限和第三象限的点,但不经过第二和第四象限(因为那里的 xy 的符号相反)。抛物线 y = x² 从第二象限开始(负 x ,正 y),经过原点,然后上升进入第一象限。

我们再看一下这些点,并将它们归类到各自的象限中:

  • 绿色点 (2, 3) 位于第一象限

  • 红色点 (−3, 1) 位于第二象限

  • 蓝色点 (−1.5, −2.5) 位于第三象限

  • 原点不属于任何象限


距离计算

当我们在平面上有两个点时,通常会想知道它们之间的距离。例如我们之前提到的红色点,(−3, 1) 到原点的距离是多少?

如果你画一条蓝线连接点 (0, 0)(−3, 1),你会发现这条线将红色矩形分成了两个直角三角形。

这条蓝线的长度就是该点与原点之间的距离。如何求这段线的长度?我们可以使用毕达哥拉斯定理 (勾股定理)来求。因为这个点的坐标是 (−3, 1),所以对应的三角形的水平边长为 3,垂直边长为 1。根据定理,这条斜边的长度为:

复制代码
√(3² + 1²) = √10

当你要比较任意两个点 (x₁, y₁)(x₂, y₂) 时,可以构建类似的三角形,其边长为:

  • 水平边长:|x₁ − x₂|

  • 垂直边长:|y₁ − y₂|

所以通用的距离公式为:

复制代码
d = √[(x₁ − x₂)² + (y₁ − y₂)²]

这个公式其实就是毕达哥拉斯定理的应用!


三维及更高维空间中的笛卡尔坐标

为什么要停在 x 和 y 上?如果我们再添加一个与 x 和 y 都正交的轴 z,那么我们就得到了一个三维空间。在三维空间中,一个点的坐标由三个数表示。

事实上,笛卡尔坐标系可以推广到任何 n 维空间,其中 n 是一个正整数。尽管高维空间难以可视化,但其本质是:在一个 n 维空间中,有 n 条彼此正交的轴,每个点都有 n 个坐标。

比如在一个城市数据库中,我们可以记录城市的纬度、经度、年平均气温和人口。这样,每个城市就可以表示为一个四维空间中的点 (x, y, z, w)


总结

笛卡尔坐标系是描述平面上点的标准方式,因此理解它的工作原理非常重要。每个点都有唯一的一对坐标,所以判断两个点是否相同非常简单。

笛卡尔坐标系非常适合用来描述直线和直角,但不太适合描述圆或螺旋这样的图形。

相关推荐
Blossom.1184 小时前
基于深度学习的医学图像分析:使用MobileNet实现医学图像分类
人工智能·深度学习·yolo·机器学习·分类·数据挖掘·迁移学习
Blossom.1182 天前
基于深度学习的医学图像分析:使用DeepLabv3+实现医学图像分割
人工智能·python·深度学习·yolo·目标检测·机器学习·迁移学习
ReinaXue5 天前
大模型【进阶】(四)QWen模型架构的解读
人工智能·神经网络·语言模型·transformer·语音识别·迁移学习·audiolm
Blossom.1188 天前
基于深度学习的医学图像分析:使用YOLOv5实现细胞检测
人工智能·python·深度学习·yolo·机器学习·分类·迁移学习
Blossom.11810 天前
基于深度学习的图像分类:使用DenseNet实现高效分类
人工智能·深度学习·目标检测·机器学习·分类·数据挖掘·迁移学习
Blossom.11811 天前
基于深度学习的图像分类:使用预训练模型进行迁移学习
人工智能·深度学习·目标检测·分类·音视频·语音识别·迁移学习
石迹耿千秋18 天前
迁移学习--基于torchvision中VGG16模型的实战
人工智能·pytorch·机器学习·迁移学习
Xyz_Overlord18 天前
NLP——迁移学习
人工智能·自然语言处理·迁移学习
IT猿手1 个月前
2025最新智能优化算法:沙狐优化(Rüppell‘s Fox Optimizer,RFO)算法求解23个经典函数测试集,完整MATLAB代码
android·算法·matlab·迁移学习·优化算法·动态多目标优化·动态多目标进化算法