### Python 三维向量运算示例代码 以下是一个完整的 Python 示例，展示如何实现三维向量的基本运算（加法、减法、点乘、叉乘以及模长计算）。该实现既可以通过类的方式封装，也可以利用 `numpy` 提供的功能简化操作。 --- #### 方法一：通过自定义类实现三维向量运算 ```python import math class Vector3D: def __init__(self, x=0, y=0, z=0): self.x = x self.y = y self.z = z def __add__(self, other): # 向量加法 return Vector3D(self.x + other.x, self.y + other.y, self.z + other.z) def __sub__(self, other): # 向量减法 return Vector3D(self.x - other.x, self.y - other.y, self.z - other.z) def dot_product(self, other): # 点乘 return self.x * other.x + self.y * other.y + self.z * other.z def cross_product(self, other): # 叉乘 return Vector3D( self.y * other.z - self.z * other.y, self.z * other.x - self.x * other.z, self.x * other.y - self.y * other.x ) def magnitude(self): # 计算模长 return math.sqrt(self.dot_product(self)) def normalize(self): # 单位化向量 mag = self.magnitude() if mag != 0: return Vector3D(self.x / mag, self.y / mag, self.z / mag) else: raise ValueError("Cannot normalize zero vector.") def __str__(self): return f"Vector({self.x}, {self.y}, {self.z})" # 测试代码 v1 = Vector3D(1, 2, 3) v2 = Vector3D(4, 5, 6) print("Addition:", v1 + v2) # 加法 print("Subtraction:", v1 - v2) # 减法 print("Dot Product:", v1.dot_product(v2)) # 点乘 print("Cross Product:", v1.cross_product(v2)) # 叉乘 print("Magnitude of v1:", v1.magnitude()) # 模长 print("Normalized v1:", v1.normalize()) # 单位化 ``` --- #### 方法二：使用 NumPy 库实现三维向量运算 NumPy 是一种高效的科学计算库，适合处理大规模数组和矩阵运算。以下是基于 NumPy 的三维向量运算实现： ```python import numpy as np # 定义两个三维向量 v1 = np.array([1, 2, 3]) v2 = np.array([4, 5, 6]) # 向量加法 add_result = v1 + v2 print("Addition using NumPy:", add_result) # 向量减法 sub_result = v1 - v2 print("Subtraction using NumPy:", sub_result) # 点乘 dot_product = np.dot(v1, v2) print("Dot Product using NumPy:", dot_product) # 叉乘 cross_product = np.cross(v1, v2) print("Cross Product using NumPy:", cross_product) # 模长 magnitude_v1 = np.linalg.norm(v1) print("Magnitude of v1 using NumPy:", magnitude_v1) # 单位化 normalized_v1 = v1 / magnitude_v1 print("Normalized v1 using NumPy:", normalized_v1) ``` --- ### 性能对比说明 当涉及小型数组（如长度远小于 100）时，自定义类方法通常更快且更直观[^2]。然而，在处理大量数据或高维数组的情况下，`numpy` 的优势在于其底层优化的 C 实现，能够显著提升性能并减少内存占用[^1]。 因此，选择哪种方式取决于具体应用场景。如果仅需简单操作，推荐使用自定义类；而对于复杂的科学计算任务，则应优先考虑 `numpy`。 ---