淘鞠第渍坐标表示
在数学里，我们通常用坐标来表示向量；而在几何空间中，常常用箭头来表示向量，箭头的长度表示大小（模），方向表示向量的方向。
在二维空间中，一个向量表示如下：
→
v
=
(
x
,
y
)
其中 x 表示水平方向分量，y 表示竖直方向分量。
向量的模长为：
|
→
v
|
=
√
x
2
+
y
2
image-20250910183206403
在三维空间中，一个向量表示如下：
→
v
=
(
x
,
y
,
z
)
其中 x, y, z 分别是沿三个坐标轴的分量。
向量的模长为：
|
→
v
|
=
√
x
2
+
y
2
+
z
2
在N维空间中，一个向量表示如下：
→
v
=
(
x
1
,
x
2
.
.
x
n
)
其中 x1...xn 分别是各个维度的分量。
向量的模长为：
|
→
v
|
=
√
x
2
1
+
x
2
2
+
?
+
x
2
n
二、加减法
向量加法
设定：
→
a
=
(
x
1
,
y
1
)
,
→
b
=
(
x
2
,
y
2
)
那么有：
→
a
+
→
b
=
(
x
1
+
x
2
,
y
1
+
y
2
)
加法的几何意义，可以使用三角形法则或平行四边形法则来说明：
image-20250910095714904
简单的可以理解为，
→
a
+
→
b
就是从坐标原点沿着
→
a
行进后，再沿着
→
b
行进。
应用示例image-20250910102403901
假定有两股方向的力，如下：
→
F
1
=
(
3
,
4
)
,
→
F
2
=
(
1
,
2
)
那么这两股力的合力为：
→
F
=
→
F
1
+
→
F
2
=
(
3
+
1
,
4
+
2
)
=
(
4
,
6
)
向量减法
设定：
→
a
=
(
x
1
,
y
1
)
,
→
b
=
(
x
2
,
y
2
)
那么有：
→
a
?
→
b
=
(
x
1
?
x
2
,
y
1
?
y
2
)
加法的几何意义，可以使用三角形法则或平行四边形法则来说明：
image-20250910102038003
简单的可以理解为，
→
a
?
→
b
就是从b的终点开始，朝着
→
a
的终点行进的向量。
应用示例
在船的航行过程中，可以利用向量的减法来获得船和水流的相对速度。
image-20250910111156495
假定船的速度向量为：
→
v
船
=
(
8
,
0
)
(
向东 8 m/s
)
水流速度向量为：
→
v
水
=
(
3
,
1
)
(
向东 3 m/s，向北 1 m/s
)
那么船相对水流的速度向量为：
→
v
相
对
=
(
8
?
3
,
0
?
1
)
=
(
5
,
?
1
)
表示向东 5 m/s、向南 1 m/s。
三、向量内积
向量的内积又称为点积（Dot Product），内积是两个向量对应分量相乘后求和的一个标量值。
设定：
→
a
=
(
x
1
,
y
1
)
,
→
b
=
(
x
2
,
y
2
)
那么有：
→
a
?
→
b
=
x
1
x
2
+
y
1
y
2
从几何意义上讲，向量的内积还可以表示如下：
→
a
?
→
b
=
|
→
a
|
|
→
b
|
cos
θ
具体的证明可以参考下图，将坐标系进行旋转后，可完成推理：
其中 ?θ 表示两个向量的夹角，根据余弦定理可以得出：
假定模长不变，夹角越小，内积则越大
当夹角为90度时（两个向量垂直），此时内积为0
内积的本质等同于向量的投影和模长的乘积
坐标旋转时，内积保持不变
应用示例
我们在电商平台上浏览产品详情时，经常会看到"相似产品"这样的页签，其中会给我们推荐相关的产品。
这种商品推荐的场景便可以基于"余弦相似度"来实现，余弦相似度的核心是仅考虑向量的方向一致，忽略模长的影响。具体实现如下：
将商品信息特征化表述，包括：
类目
品牌
价格区间
颜色 / 尺寸 / 材质
商品标题/描述
图片特征
特征向量归一化
上述的商品特征可以基于Embedding、CNN等算法来提取为特征值。
这些特征值拼接后形成一个统一的商品向量，如下：
→
g
=
[
x
类
目
,
x
品
牌
,
x
价
格
,
x
尺
寸
,
x
颜
色
,
x
图
谱
特
征
.
.
]
由于不同维度的特征值其模长无法统一，我们需要将其进行归一化（L2归一）：
对于其中的
x
k
，其归一后的值为：
X
k
=
x
k
√
x
2
1
+
x
2
2
+
?
+
x
2
n
L2归一化使用欧几里得范数来计算，最终得到特征向量为：
→
G
=
[
X
类
目
,
X
品
牌
,
X
价
格
,
X
尺
寸
,
X
颜
色
,
X
图
谱
特
征
.
.
]
归一化后，∥G∥=1，余弦相似度就简化成两个单位向量的点积，只比较方向（特征分布模式），消除了特征值大小的影响。
计算商品特征向量的相似度，获得最相似的N个商品
通过计算向量的点积来比较相似度：
s
i
m
u
l
a
t
y
=
→
G
?
→
G
2
向量点积在机器学习中常用于评估特征的方向相似性
四、向量外积
向量的外积又称为叉积（Cross Product），两个向量的外积是一个同时垂直于两者的向量。
设定：
→
a
=
(
x
1
,
y
1
)
,
→
b
=
(
x
2
,
y
2
)
那么有：
→
a
×
→
b
=
→
c
向量
→
c
的模长：
→
c
=∣
→
a
∣∣
→
b
∣
s
i
n
θ
，在几何意义上等同与两个向量为边的平行四边形的面积。
向量
→
c
的方向：垂直于两个向量构成的平面。
如下图所示：
image-20250910113835076
向量
→
c
的方向除了垂直之外，还需要遵循右手螺旋定则，也就是对于
→
a
×
→
b
=
→
c
来说，右手四指方向从 a 转向 b，大拇指所指方向就是 c 的方向。所以，
→
a
×
→
b
和
→
b
×
→
a
的结果是相反的，即向量外积不满足交换律。
从几何图形上看，向量的外积可以垂直于两个向量组成的平面，当向量平行（共线）时，向量的外积为0。
需要注意的是，向量的外积仅适用于三维图形，在四维及更高维空间中，垂直于两个向量的方向不唯一，而是一个高维子空间，因此无法用一个单一向量来表示。
应用示例
物理学上，我们通过力矩（Torque）来描述一种"让物体转起来的能力"。
比如：
你用扳手拧螺丝，用力的大小、角度和离螺丝中心的距离都会影响拧动的效果。
同样的力，扳手越长（离中心越远），越容易拧动——因为力矩更大。
力矩的公式如下：
→
τ
=
→
r
×
→
F
r 是从旋转中心到施力点的位置向量
??：施加的作用力
力矩是向量 r 和向量 F的外积向量：
力矩的方向：由右手定则决定，表示旋转轴的方向
力矩的大小：等于
|
→
r
|
?
|
→
F
|
?
sin
θ
，也就是力度、垂直距离、和角度三者叠加的结果。
五、小试牛刀
下面使用 numpy 来实现本文提到的向量加减法、向量内积和外积计算。
代码示例
import numpy as np
# 定义两个三维向量
a = np.array([3, 4, 0])
b = np.array([4, 0, 3])
# 1?? 向量加法
add = a + b
print("加法 a + b =", add)
# 2?? 向量减法
sub = a - b
print("减法 a - b =", sub)
# 3?? 向量内积（点积）
dot = np.dot(a, b)
print("内积 a · b =", dot)
# 4?? 特征归一化（L2归一）
a_norm = a / np.linalg.norm(a)
b_norm = b / np.linalg.norm(b)
print("归一化后的 a =", a_norm)
print("归一化后的 b =", b_norm)
# 5?? 归一后的余弦相似度
cos_sim = np.dot(a_norm, b_norm)
print("归一后的余弦相似度 =", cos_sim)
# 6?? 向量外积（叉积）
cross = np.cross(a, b)
print("外积 a × b =", cross)
执行上述程序，输出结果如下：
加法 a + b = [7 4 3]
减法 a - b = [-1 4 -3]
内积 a · b = 12
归一化后的 a = [0.6 0.8 0. ]
归一化后的 b = [0.8 0. 0.6]
归一后的余弦相似度 = 0.48
外积 a × b = [ 12 -9 -16]
六、小结
向量的概念早在中学数学、物理学中就已经能接触到了，理解向量和空间几何的结合非常重要。从最简单的加减法就能体会到基本相对量的价值；向量内积更是各种推荐算法、特征相似度计算的基础范式，向量外积在机械工程学中大行其道等等，这些无一证明了向量在现实的数学应用中的重要地位。
扫一扫
403
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
