如何计算三维空间中点的距离？（Python实现）

一、你的原始思路实现 #

假设你有三个一维数组x、y、z，每个数组长度相同，对应一组三维点的坐标。以下是按Y轴划分区间、排序后计算相邻点距离总和的具体步骤：

步骤1：数据准备与分组 #

先将三个数组合并为三维点数组，再定义Y轴划分区间，把点分配到对应区间中：

import numpy as np

# 替换为你的真实数据
x = np.array([1, 2, 3, 4, 5, 6])
y = np.array([0.5, 1.2, 1.8, 2.3, 2.7, 3.5])
z = np.array([2, 3, 1, 4, 2, 5])

# 合并为三维点数组，shape为(n, 3)
points = np.column_stack((x, y, z))

# 定义Y轴划分区间，示例为[0,1), [1,2), [2,3), [3,4)
y_bins = np.arange(0, 4, 1)
# 获取每个点所属的区间索引
point_bin_indices = np.digitize(points[:, 1], y_bins)

步骤2：按区间处理，计算相邻点距离总和 #

遍历每个区间，取出对应点并按Y值排序，计算相邻点的三维距离后累加：

total_distance = 0.0

# 遍历所有区间（digitize返回的索引从1开始，对应y_bins的区间）
for bin_idx in range(1, len(y_bins)):
    bin_points = points[point_bin_indices == bin_idx]
    if len(bin_points) < 2:
        continue  # 少于2个点无法计算线段长度，直接跳过
    
    # 按Y值（第二列）从小到大排序
    sorted_points = bin_points[np.argsort(bin_points[:, 1])]
    
    # 计算相邻点的欧氏距离
    diffs = sorted_points[1:] - sorted_points[:-1]
    segment_lengths = np.sqrt(np.sum(diffs**2, axis=1))
    
    # 累加当前区间的线段长度总和
    total_distance += np.sum(segment_lengths)

print("总距离：", total_distance)

二、其他计算方案 #

方案1：计算区间内所有点对的距离总和 #

如果需要统计区间内所有点对之间的距离总和（而非相邻点），可以结合scipy的pdist工具实现：

from scipy.spatial.distance import pdist

total_pair_distance = 0.0

for bin_idx in range(1, len(y_bins)):
    bin_points = points[point_bin_indices == bin_idx]
    if len(bin_points) < 2:
        continue
    
    # 计算当前区间内所有点对的距离并求和
    distances = pdist(bin_points)
    total_pair_distance += np.sum(distances)

print("所有点对总距离：", total_pair_distance)

方案2：向量化优化（适用于大规模数据） #

如果点数量较大，循环遍历区间效率较低，可采用numpy向量化操作优化：

# 先按Y值整体排序所有点
sorted_all = points[np.argsort(points[:, 1])]
# 按Y轴区间分割已排序的点数组
split_points = np.split(sorted_all, np.digitize(sorted_all[:, 1], y_bins)[1:-1])

total_vec_distance = 0.0
for part in split_points:
    if len(part) < 2:
        continue
    diffs = part[1:] - part[:-1]
    total_vec_distance += np.sum(np.sqrt(np.sum(diffs**2, axis=1)))

print("向量化计算总距离：", total_vec_distance)

内容的提问来源于stack exchange，提问作者lainri