查找从 (x,y) 坐标行进的距离答案

【问题标题】：Find the distance traveled from (x,y) coordinates查找从 (x,y) 坐标行进的距离
【发布时间】：2017-10-26 15:21:44
【问题描述】：

我目前有一个 python 脚本，它读取一个 3 列的文本文件，其中包含步行者的 x 和 y 坐标以及他们行走的时间。

我已读入此数据并将其分配到 numpy 数组中，如下代码所示：

import numpy as np
import matplotlib.pyplot as plt

data = np.loadtxt("info.txt", delimiter = ',')

x = data[:,0]
y = data[:,1]
t = data[:,2]

文件格式如下（x,y,t）：

5907364.2371    -447070.881709  2193094
5907338.306978  -447058.019176  2193116
5907317.260891  -447042.192668  2193130

我现在想找出步行者所行驶的距离作为时间的函数。我能想到的一种方法是在一个循环中将 x 坐标的差异和 y 坐标的所有差异相加。然而，这似乎是一个非常冗长的方法，我认为它可以通过一种数值积分来解决。有人知道我能做什么吗？

【问题讨论】：

可以分享几行文本文件吗？
给我们看一些数据。
看起来更像是一道数学题，而不是编程题。
如果是具体步骤，则不需要集成。
已编辑数据示例

标签： python scipy numerical-methods numerical-integration

【解决方案1】：

要计算“沿途”的距离，必须先获取每一步的距离。

这可以通过索引dx = x[1:]-x[:-1] 以组件方式获得。然后每步的距离是“dx**2+dy**2 的平方根”。请注意，这个数组的长度减一，因为相对于步数的间隔少了一个。这可以通过将距离“0”分配给第一次数据来完成。这就是下面“连接”行的作用。

这里没有数值积分，而是累积和。要执行数值积分，您需要运动方程（例如）。

额外更改：我使用 np.loadtxt 和 unpack=True 参数来节省几行。

import numpy as np
import matplotlib.pyplot as plt

x, y, t = np.loadtxt("info.txt", unpack=True)

dx = x[1:]-x[:-1]
dy = y[1:]-y[:-1]

step_size = np.sqrt(dx**2+dy**2)

cumulative_distance = np.concatenate(([0], np.cumsum(step_size)))

plt.plot(t, cumulative_distance)

plt.show()

【讨论】：

【解决方案2】：

有几种方法可以获得点之间的欧几里得距离：

麻木：

import numpy as np
dist = np.linalg.norm(x-y)
dist1= np.sqrt(np.sum((x-y)**2)))

Scipy：

from scipy.spatial import distance
dist = distance.euclidean(x,y)

【讨论】：

谢谢，scipy 函数符合我正在寻找的路线，但是我希望距离作为时间的函数。不过我可以解决这个问题！
酷。你是说速度吗？
这个人在一段时间后步行的总距离，而不是整个步行的总距离。
@WillC 在距离变量上使用numpy.cumsum()

【解决方案3】：

通常，要获得步行距离，您需要总结较小的距离。您的步行者可能不是在网格上行走（即 x 中的一步和 y 中的一步），而是在对角线上（想想勾股定理）

所以，在 python 中它可能看起来像这样......

distanceWalked = 0
for x_y_point in listOfPoints:
    distanceWalked = distanceWalked  + (x_y_point[0] **2 + x_y_point[1] **2)**.5

其中 listOfPoints 类似于 [[0,0],[0,1],[0,2],[1,2],[2,2]]

或者，您可以使用 pandas。

import pandas as pd
df = pd.read_csv('info.txt',sep = '\t')
df['helpercol'] = (df['x']**2 +df['y']**2 )**.5
df['cumDist'] = df['helpercol'].cumsum()

现在，您将在数据框中获得每次累积距离

【讨论】：