Bedingtes Plotten mit Numpy und Pyplot

Question

Ich versuche eine Funktion zu zeichnen, die bedingt definiert ist. Im Einzelnen: U (x) = (2 ** delta)/((Dd) ** delta) * (D/2 - (x-x0)) ** delta, für abs (x-x0) kleiner als D/2 und 0 sonst.

Aber mein Problem ist, dass ich x, x0 als numpy Arrays haben möchte, weil dies ist, wie ich sie im Rest meines tatsächlichen Codes verwende.

ich Set-up das folgende Beispiel:

import numpy as np 
import matplotlib.pyplot as plt 
AD = 0.2 
D = 0.4 
delta = 8 

def Parabolic(x, delta, D, AD): 
    x0 = np.round(x) 
    tempx = np.abs(x-x0) 
    tempD = D/2*np.ones(len(x)) 
    if tempx<tempD: 
     return ((2**delta)/(D-AD)**delta)*(D/2 - (x-x0))**delta 
    else: 
     return 0 

figure = plt.figure(figsize=(10,8), dpi=72) 
xmin = -1.0 
xmax = 1.0 
X = np.linspace(xmin,xmax,1000) 
plt.plot(X, Parabolic(X, delta=8, D=0.4, AD=0.2)) 

Offensichtlich dieses Beispiel funktioniert nicht, da die Linie tempx<tempD die Fehler auslöst, dass ein Wahrheitswert einer Liste nicht eindeutig ist.

Ich suchte in der Dokumentation von numpy und fand die Funktion np.less (tempx, tempD). Aber wenn ich tempx < tempD durch np.less(tempx, tempD) ersetze, funktioniert es immer noch nicht, da ich wieder nach einem Wahrheitswert einer ganzen Liste frage. Ich verstehe, dass das Problem nicht mit numpy ist, aber mit meiner Unfähigkeit zu verstehen, wie man die logischen Funktionen verwendet, die numpy zur Verfügung stellt.

Es tut mir leid, wenn diese einen Weg in einem anderen Beitrag geantwortet haben, habe ich in diesem Forum gesucht, konnte aber nichts anderes als die curve() Methode finden. Ich möchte jedoch mein numpy.array-Format für die Verwendung in meinen tatsächlichen Codes beibehalten. Ich würde wetten, dass die Antwort sehr einfach sein muss, ich kann einfach nicht daran denken.

Answer 1

das Versuchen, die verwendet numpy logische Arrays:

import numpy as np 
import matplotlib.pyplot as plt 
AD = 0.2 
D = 0.4 
delta = 8 

def Parabolic(x, delta, D, AD): 
    rtn_arr = np.zeros(len(x)) 
    x0 = np.round(x) 
    tempx = np.abs(x-x0) 
    tempD = D/2*np.ones(len(x)) 
    lgc_arr = tempx<tempD 
    x_cut = x[lgc_arr] 
    x0_cut = x0[lgc_arr] 
    rtn_arr[lgc_arr] = ((2**delta)/(D-AD)**delta)*(D/2 - (x_cut-x0_cut))**delta 
    return rtn_arr 

figure = plt.figure(figsize=(10,8), dpi=72) 
xmin = -1.0 
xmax = 1.0 
X = np.linspace(xmin,xmax,1000) 
plt.plot(X, Parabolic(X, delta=8, D=0.4, AD=0.2)) 

Answer 2

Parabolic muss ein ufunc sein, so dass Sie nicht Python-Test in Ihrem Code setzen.

eine einfache Abhilfe ist:

def Parabolic(x, delta, D, AD): 
    x0 = np.round(x) 
    tempx = np.abs(x-x0) 
    tempD = D/2*np.ones(len(x)) 
    u=(((2**delta)/(D-AD)**delta)*(D/2 - (x-x0))**delta) 
    u[tempx>=tempD]=0 
    return u 

oder unnötige Berechnungen zu vermeiden:

def Parabolic2(x, delta, D, AD): 
    x0 = np.round(x) 
    tempx = np.abs(x-x0) 
    tempD = D/2*np.ones(len(x)) 
    u= zeros_like(x) 
    valid=tempx<tempD 
    u[valid]=(((2**delta)/(D-AD)**delta)*(D/2 - (x-x0)[valid])**delta) 
    return u 

Die zweite ist slighty schneller:

In [141]: %timeit Parabolic(x,8,.4,.2) 
1000 loops, best of 3: 310 µs per loop 

In [142]: %timeit Parabolic2(x,8,.4,.2) 
1000 loops, best of 3: 218 µs per loop