在 Python 中，若已知两点坐标 $(x_1, y_1)$ 和 $(x_2, y_2)$，想求**从点1指向点2的向量与 x 轴正方向之间的夹角（以弧度 rad 表示）**，这本质上是求向量 $\vec{v} = (x_2 - x_1,\ y_2 - y_1)$ 的**方向角（方位角）**。 ✅ 正确、健壮的做法是使用 `math.atan2(dy, dx)` —— 它能自动处理所有象限（-π 到 π）、避免除零错误，并给出相对于正 x 轴逆时针旋转的**标准数学极角**（rad）。 --- ### ✅ 推荐实现（含解释） ```python import math def vector_angle_rad(x1, y1, x2, y2): """ 计算从点 (x1, y1) 指向点 (x2, y2) 的向量与 +x 轴之间的夹角（弧度） 返回值范围：(-π, π] - 正值：逆时针（上半平面，y>0） - 负值：顺时针（下半平面，y<0） - 0：向右（dx>0, dy=0） - π 或 -π：向左（dx<0, dy=0） """ dx = x2 - x1 dy = y2 - y1 return math.atan2(dy, dx) # 示例用法 x1, y1 = 0, 0 x2, y2 = 1, 1 angle_rad = vector_angle_rad(x1, y1, x2, y2) print(f"Angle (rad): {angle_rad:.6f}") # ≈ 0.785398 (即 π/4) print(f"Angle (deg): {math.degrees(angle_rad):.2f}") # ≈ 45.00° ``` #### 🔍 关键说明： - `math.atan2(dy, dx)` 是 **首选函数**，优于 `math.atan(dy/dx)`，因为： - ✅ 自动判断象限（`atan` 只返回 $(-\pi/2, \pi/2)$，丢失方向信息）； - ✅ 当 `dx == 0`（垂直向量）时不会报 `ZeroDivisionError`； - ✅ 符合标准数学极坐标定义（角度从 +x 轴逆时针测量）。 - 若你**需要 [0, 2π) 范围**（例如用于极坐标绘图或某些物理模型），可做归一化： ```python def vector_angle_rad_0_to_2pi(x1, y1, x2, y2): angle = math.atan2(y2 - y1, x2 - x1) return angle if angle >= 0 else angle + 2 * math.pi # 示例：向左的向量 (-1, 0) → 返回 π（≈3.14159），而非 -π print(vector_angle_rad_0_to_2pi(0,0,-1,0)) # ≈ 3.141592653589793 ``` - ⚠️ 注意：该角度是**向量的方向角**，不是两点间线段的“夹角”（线段无方向，夹角通常指锐角 ∈ [0, π/2]）。如需锐角（不区分方向），可用： ```python def acute_angle_rad(x1, y1, x2, y2): dx, dy = x2 - x1, y2 - y1 return abs(math.atan2(dy, dx)) % (math.pi / 2) # 或更稳妥：math.acos(abs(dx)/math.hypot(dx,dy)) ``` --- ### 🧩 补充：用 NumPy 向量化（批量计算） ```python import numpy as np def angles_rad_vectorized(x1, y1, x2, y2): """支持标量或数组输入（广播）""" dx = np.asarray(x2) - np.asarray(x1) dy = np.asarray(y2) - np.asarray(y1) return np.arctan2(dy, dx) # 批量示例 x1s = [0, 0, 0] y1s = [0, 0, 0] x2s = [1, 0, -1] y2s = [0, 1, 0] angles = angles_rad_vectorized(x1s, y1s, x2s, y2s) print(np.round(angles, 4)) # [ 0. 1.5708 3.1416] → 0°, 90°, 180° ``` ---