如何向量化Python梯形内点检查函数以处理笛卡尔坐标点数组？

没问题！我来帮你实现这个向量化的梯形内点检查函数，完全适配NumPy批量点输入，效率比逐点循环高得多～

梯形属于凸四边形，我们可以利用凸多边形的特性来实现高效的向量化判断。下面提供两种方案，你可以根据需求选择：

方案1：拆分成两个三角形判断（直观易理解） #

思路很简单：把梯形拆成两个三角形，一个点在梯形内当且仅当它在其中一个三角形内部。这种方法逻辑清晰，容易验证正确性。

第一步：实现向量化的三角形内点判断 #

我们用叉积符号判断法——对于逆时针排列的三角形顶点，内部点会在每条边的同侧（叉积符号一致）。借助NumPy的广播机制，我们可以一次性处理所有点：

import numpy as np

def point_in_triangle(points, tri):
    """
    批量检查点是否在三角形内（含边界）
    参数:
        points: N×2的NumPy数组，每个元素是(x,y)坐标对
        tri: 3×2的NumPy数组，三角形的三个顶点（逆时针顺序排列）
    返回:
        N维布尔数组，True表示对应点在三角形内
    """
    A, B, C = tri[0], tri[1], tri[2]
    # 计算三个边与点的叉积，广播自动处理所有点
    cross1 = (B[0] - A[0]) * (points[:,1] - A[1]) - (B[1] - A[1]) * (points[:,0] - A[0])
    cross2 = (C[0] - B[0]) * (points[:,1] - B[1]) - (C[1] - B[1]) * (points[:,0] - B[0])
    cross3 = (A[0] - C[0]) * (points[:,1] - C[1]) - (A[1] - C[1]) * (points[:,0] - C[0])
    
    # 三个叉积全非负 或 全非正，说明点在三角形内
    all_pos = (cross1 >= 0) & (cross2 >= 0) & (cross3 >= 0)
    all_neg = (cross1 <= 0) & (cross2 <= 0) & (cross3 <= 0)
    return all_pos | all_neg

第二步：扩展到梯形 #

把梯形拆成两个三角形，然后合并两个三角形的判断结果：

def points_in_trapezoid(points, trapezoid):
    """
    批量检查点是否在梯形内（含边界）
    参数:
        points: N×2的NumPy数组，批量点坐标
        trapezoid: 4×2的NumPy数组，梯形的四个顶点（逆时针顺序排列）
    返回:
        N维布尔数组，True表示对应点在梯形内
    """
    # 把梯形拆成两个相邻三角形（比如顶点0-1-2 和 0-2-3）
    tri1 = trapezoid[[0, 1, 2]]
    tri2 = trapezoid[[0, 2, 3]]
    
    # 检查点是否在任意一个三角形内
    in_tri1 = point_in_triangle(points, tri1)
    in_tri2 = point_in_triangle(points, tri2)
    
    return in_tri1 | in_tri2

方案2：直接利用凸多边形边的法向量判断（更通用） #

如果需要适配任意凸多边形（不止梯形），可以用边的法向量判断：对于逆时针排列的凸多边形顶点，内部点会在每条边的"内侧"（法向量方向的点积符号一致）。同样是完全向量化实现：

def points_in_trapezoid_direct(points, trapezoid):
    """
    直接通过边的法向量判断点是否在凸梯形内（含边界）
    参数:
        points: N×2的NumPy数组，批量点坐标
        trapezoid: 4×2的NumPy数组，梯形的四个顶点（逆时针顺序排列）
    返回:
        N维布尔数组，True表示对应点在梯形内
    """
    # 生成每条边的向量（当前顶点到下一个顶点）
    edges = np.roll(trapezoid, -1, axis=0) - trapezoid
    # 计算每条边的内侧法向量（逆时针顶点的话，向左转90度）
    normals = np.stack([-edges[:,1], edges[:,0]], axis=1)
    
    # 计算每个点到每条边起点的向量，利用广播适配批量点
    point_vecs = points[:, np.newaxis, :] - trapezoid[np.newaxis, :, :]
    # 计算点向量与法向量的点积
    dot_products = np.einsum('ijk,ijk->ij', point_vecs, normals[np.newaxis, :, :])
    
    # 所有点积非负，说明点在所有边的内侧（即多边形内部）
    return np.all(dot_products >= 0, axis=1)

测试示例 #

拿你提到的批量点来测试（假设是3×2的点数组，每个元素是(x,y)对）：

# 定义一个逆时针排列的梯形顶点
trapezoid = np.array([
    [0, 0],   # 左下
    [2, 0],   # 右下
    [1.5, 2], # 右上
    [0.5, 2]  # 左上
])

# 测试点：内部点、外部点、边界点
test_points = np.array([
    [1, 1],   # 内部 → True
    [3, 1],   # 外部 → False
    [1, 0]    # 边界 → True
])

# 调用函数测试
result = points_in_trapezoid(test_points, trapezoid)
print(result)  # 输出: [ True False  True]

注意事项 #

1. 顶点顺序：一定要确保梯形的顶点是按逆时针（或顺时针）顺序排列的，否则判断逻辑会出错。如果不确定顶点顺序，可以先计算多边形的有向面积，调整顺序使其为逆时针。
2. 边界处理：代码中用>=/<=包含了边界点，如果不需要包含边界，改成>/<即可。
3. 性能优势：两种方案都没有显式Python循环，完全依赖NumPy的底层优化，处理上万甚至上百万个点时，效率比逐点循环高几十倍。

内容的提问来源于stack exchange，提问作者Radusaurus