三点角度计算异常求助：以点C为顶点的角度结果偏小排查

问题背景 #

我有三个点，每个点包含Bar_Index（横轴）和Value（纵轴）属性。想要计算以点C（顶部中心）为顶点、两侧点P0和P1为端点的夹角，但计算结果远小于预期（应大于20度），代码如下：

import math

Cx = bar_index_0
Cy = Value_0

P0x = bar_index_1
P0y = Value_1

P1x = bar_index_2
P1y = Value_2

P0C = math.sqrt(math.pow((P0x-Cx),2)+math.pow((P0y-Cy),2))
P1C = math.sqrt(math.pow((P1x-Cx),2)+math.pow((P1y-Cy),2))
P0P1 = math.sqrt(math.pow((P1x-P0x),2)+math.pow((P1y-P0y),2))

top = (P1C*P1C + P0C*P0C - P0P1*P0P1)
down = 2*P1C*P0C
Angle = (math.todegrees(math.acos(top/down)))

相关图示：三个点构成三角形，C位于顶部中心，P0、P1在两侧，视觉上C点夹角明显大于20度。

核心问题排查 #

代码的余弦定理逻辑本身正确，但横轴Bar_Index与纵轴Value的单位刻度比例严重不匹配，是角度失真的关键原因。

比如在金融K线类图表中，横轴（时间/Bar索引）的单位间隔远小于纵轴（价格/Value）的单位视觉长度，直接用原始坐标计算距离时，横轴的差异会被纵轴数值“稀释”，导致余弦定理计算出的角度和视觉实际角度完全不符。

另外，浮点计算误差可能导致top/down的结果超出acos的定义域[-1,1]，进而产生错误值，但你描述的角度偏小问题，主要由坐标比例差异导致。

解决方法：坐标归一化+修正计算 #

先将横轴和纵轴坐标归一化到同一比例区间（比如[0,1]），消除刻度差异后再计算角度：

import math

# 获取三个点的轴范围，用于归一化
min_bar = min(Cx, P0x, P1x)
max_bar = max(Cx, P0x, P1x)
min_val = min(Cy, P0y, P1y)
max_val = max(Cy, P0y, P1y)

# 归一化函数：将值映射到[0,1]区间
def normalize(x, min_x, max_x):
    return (x - min_x) / (max_x - min_x) if max_x != min_x else 0.0

# 生成归一化后的坐标
Cx_norm = normalize(Cx, min_bar, max_bar)
Cy_norm = normalize(Cy, min_val, max_val)
P0x_norm = normalize(P0x, min_bar, max_bar)
P0y_norm = normalize(P0y, min_val, max_val)
P1x_norm = normalize(P1x, min_bar, max_bar)
P1y_norm = normalize(P1y, min_val, max_val)

# 用归一化坐标重新计算角度，加入定义域限制避免浮点误差
P0C = math.hypot(P0x_norm - Cx_norm, P0y_norm - Cy_norm)
P1C = math.hypot(P1x_norm - Cx_norm, P1y_norm - Cy_norm)
P0P1 = math.hypot(P1x_norm - P0x_norm, P1y_norm - P0y_norm)

top = P1C**2 + P0C**2 - P0P1**2
down = 2 * P1C * P0C
# 限制比值在[-1,1]范围内，防止acos报错
ratio = max(min(top / down, 1.0), -1.0)
Angle = math.degrees(math.acos(ratio))

更佳的三角形三内角计算方案 #

使用向量点积的方法，逻辑更直观，同时支持一次性计算三个内角，且同样需要先做坐标归一化：

import math

def calculate_all_angles(C, P0, P1):
    # 参数为归一化后的坐标元组：(x_norm, y_norm)
    # 计算各顶点对应的向量
    vec_CP0 = (P0[0] - C[0], P0[1] - C[1])
    vec_CP1 = (P1[0] - C[0], P1[1] - C[1])
    vec_P0C = (C[0] - P0[0], C[1] - P0[1])
    vec_P0P1 = (P1[0] - P0[0], P1[1] - P0[1])
    vec_P1C = (C[0] - P1[0], C[1] - P1[1])
    vec_P1P0 = (P0[0] - P1[0], P0[1] - P1[1])

    # 点积计算函数
    def dot(v1, v2):
        return v1[0]*v2[0] + v1[1]*v2[1]
    
    # 向量模长计算
    def mag(v):
        return math.hypot(v[0], v[1])

    # 计算每个顶点的角度，加入定义域限制
    angle_C = math.degrees(math.acos(max(min(dot(vec_CP0, vec_CP1)/(mag(vec_CP0)*mag(vec_CP1)), 1.0), -1.0)))
    angle_P0 = math.degrees(math.acos(max(min(dot(vec_P0C, vec_P0P1)/(mag(vec_P0C)*mag(vec_P0P1)), 1.0), -1.0)))
    angle_P1 = math.degrees(math.acos(max(min(dot(vec_P1C, vec_P1P0)/(mag(vec_P1C)*mag(vec_P1P0)), 1.0), -1.0)))

    return angle_C, angle_P0, angle_P1

# 使用示例
angle_C, angle_P0, angle_P1 = calculate_all_angles(
    (Cx_norm, Cy_norm),
    (P0x_norm, P0y_norm),
    (P1x_norm, P1y_norm)
)

方案优势 #

1. 向量法直接对应顶点夹角的几何定义，逻辑更清晰
2. 统一处理了浮点误差导致的定义域溢出问题
3. 一次计算即可得到三个内角，效率更高

内容的提问来源于stack exchange，提问作者sey eeet