如何用R计算起始点与多个终点间的夹角及距离？

需求说明 #

给定包含起始点（如A、B）及其对应多个终点的数据集，需完成两个任务：

• 计算起始点到每个终点的欧氏距离，新增distance列
• 计算起始点与相邻终点形成的夹角（如A₁-A-A₂、A₂-A-A₃这类以起始点为顶点的夹角），新增angle列

数据集 #

df <- structure(list(start_point = c("A", "A", "A", "A", "B", "B", 
"B"), start_point_x = c(1, 1, 1, 1, 2, 2, 2), start_point_y = c(1, 
1, 1, 1, 2, 2, 2), end_point = c("A_1", "A_2", "A_3", 
"A_4", "B_1", "B_2", "B_3"), end_point_x = c(1.5, 
1.3, 1.69, 2.45, 3.24, 1.97, 2.15), end_point_y = c(1.7, 2, 0.63, 
1.32, 2.15, 1.85, 3.89)), row.names = c(NA, -7L), class = "data.frame")

原代码报错原因 #

你尝试用LearnGeom::Angle结合apply和lag时出现Error in A[[1]] - B[[1]] : non-numeric argument to binary operator，核心问题是：

1. apply会将数据框的行转换为字符型向量，导致LearnGeom::Angle接收到非数值参数
2. lag在apply的行级操作中无法正确获取组内上一行的终点坐标，进一步引发类型错误

解决方案 #

使用dplyr分组处理，直接操作数值列，避免类型转换问题，同时正确实现组内相邻坐标的关联：

完整代码 #

# 加载依赖包
library(dplyr)
library(LearnGeom)

# 处理数据：计算距离和夹角
result_df <- df %>%
  # 按起始点分组，保证每组内的终点是有序的
  group_by(start_point) %>%
  # 1. 计算起始点到终点的欧氏距离
  mutate(distance = sqrt((end_point_x - start_point_x)^2 + (end_point_y - start_point_y)^2),
         # 获取组内上一个终点的坐标
         prev_end_x = lag(end_point_x),
         prev_end_y = lag(end_point_y),
         # 2. 计算夹角：顶点为起始点(B)，两边为前一个终点(A)和当前终点(C)
         angle = case_when(
           is.na(prev_end_x) ~ NA_real_,  # 第一个终点无前置点，夹角设为NA
           TRUE ~ LearnGeom::Angle(
             A = c(prev_end_x, prev_end_y),
             B = c(start_point_x, start_point_y),
             C = c(end_point_x, end_point_y)
           )
         )) %>%
  # 移除临时辅助列
  select(-prev_end_x, -prev_end_y) %>%
  # 取消分组
  ungroup()

# 输出结果
print(result_df)

代码说明 #

• 距离计算：直接用欧氏距离公式，无需额外函数，高效且直观
• 夹角计算：
  • 按start_point分组后，lag能准确获取组内上一行的终点坐标
  • 第一个终点因无前置相邻点，夹角设为NA，符合逻辑
  • 用case_when替代ifelse，代码可读性更强
  • 直接传递数值列给LearnGeom::Angle，避免了类型转换错误

结果示例 #

运行后得到的数据集会新增distance和angle列，示例输出：

# A tibble: 7 × 8
  start_point start_point_x start_point_y end_point end_point_x end_point_y distance angle
  <chr>               <dbl>         <dbl> <chr>           <dbl>       <dbl>    <dbl> <dbl>
1 A                       1             1 A_1              1.5         1.7     0.860    NA
2 A                       1             1 A_2              1.3         2       1.04     23.2
3 A                       1             1 A_3              1.69        0.63    0.786    124.
4 A                       1             1 A_4              2.45        1.32    1.48     97.4
5 B                       2             2 B_1              3.24        2.15    1.25     NA
6 B                       2             2 B_2              1.97        1.85    0.152    98.4
7 B                       2             2 B_3              2.15        3.89    1.90     92.1

内容的提问来源于stack exchange，提问作者mto23