如何在python'；对于循环'；避免广播形状冲突？

我试图计算红外光谱中峰值坐标的一系列高斯曲线。用于计算0到4000 1/cm频率范围（X）内的单峰的脚本正常工作。然而，当我尝试在75个频率和强度坐标范围内迭代时，我得到了4001“x”值和75个峰值坐标对之间的广播形状冲突。是否有办法隔离计算，使其行为类似于一系列独立计算，从而避免冲突

以下是我的代码和错误回溯：

import numpy as np

def gaussian(intens, mu):
    x = np.arange(4001)
    sig = 50
    return intens*np.exp(-np.power(x-mu, 2.)/(2*np.power(sig, 2.)))

results = np.empty((4001, 1), float)

for i in range(75):
    mu = np.array([106.2516, 169.2317, 179.4433, 210.1843, 225.1875, 237.6963, 261.1454,
    290.3952, 298.8429, 383.1141, 394.5482, 415.7989, 474.0785, 522.2687,
    555.9868, 571.7233, 617.1713, 646.9524, 712.1052, 757.1555, 839.7896,
    862.2479, 874.9923, 927.4888, 948.9697, 951.0036, 964.3596, 969.371,
    1008.6015, 1039.7932, 1044.8249, 1063.0541, 1107.298, 1127.9082, 1155.2848,
    1180.83, 1196.411, 1225.1961, 1234.4729, 1256.5558, 1278.3917, 1284.0116,
    1311.6421, 1338.709, 1346.252, 1360.011, 1434.1602, 1439.0059, 1455.3892,
    1490.6434, 1512.7327, 1517.3906, 1521.4376, 1525.9011, 1531.1185, 1540.3454,
    1546.1395, 1554.7932, 1841.6486, 3045.7824, 3050.0779, 3053.1525, 3064.5046,
    3070.2651, 3073.4956, 3094.2865, 3097.3753, 3101.0081, 3107.7236, 3108.5122,
    3115.0888, 3117.7676, 3123.2296, 3127.9553, 3141.7127])
    intens = np.array([3.609400e+00, 6.870000e-02, 1.425000e-01, 1.908000e-01, 2.848000e-01,
    9.040000e-01, 7.114000e-01, 3.850000e-01, 1.899100e+00, 7.697000e-01,
    1.484000e-01, 1.223400e+00, 5.366000e-01, 4.554700e+00, 2.007100e+00,
    8.798000e-01, 9.361000e-01, 1.767700e+00, 4.380000e-01, 6.543100e+00,
    4.705000e-01, 1.423900e+00, 5.475000e-01, 1.230200e+00, 3.059800e+00,
    4.872000e-01, 1.293400e+00, 2.782900e+00, 5.430000e-02, 1.592800e+00,
    2.582030e+01, 2.047560e+01, 1.544500e+00, 4.941600e+00, 1.135200e+00,
    6.229000e-01, 3.967100e+00, 1.082100e+00, 5.126800e+00, 3.136400e+00,
    3.190000e-02, 3.438700e+00, 6.669500e+00, 2.266600e+00, 1.033200e+00,
    4.739000e+00, 4.292300e+00, 4.469500e+00, 6.858500e+00, 8.952200e+00,
    2.593600e+00, 6.386200e+00, 4.342300e+00, 2.799900e+00, 1.920900e+00,
    3.788000e-01, 4.900100e+00, 4.086800e+00, 2.093403e+02, 1.231370e+01,
    1.935290e+01, 3.692450e+01, 2.791320e+01, 1.315910e+01, 2.868290e+01,
    2.371370e+01, 1.425640e+01, 4.406400e+00, 7.293400e+00, 5.097790e+01,
    4.594300e+01, 3.229710e+01, 1.685690e+01, 2.933100e+01, 2.938250e+01])
    g_calc = map(gaussian(intens, mu), zip(intens, mu))
    results = vstack(results, g_calc)
results

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-29-c890381ce491> in <module>()
 35      2.371370e+01, 1.425640e+01, 4.406400e+00, 7.293400e+00, 5.097790e+01,
 36      4.594300e+01, 3.229710e+01, 1.685690e+01, 2.933100e+01, 2.938250e+01])
---> 37     g_calc = map(gaussian(intens, mu), zip(intens, mu))
 38     results = vstack(results, g_calc)
 39 results

<ipython-input-29-c890381ce491> in gaussian(intens, mu)
  4     x = np.arange(4001)
  5     sig = 50
----> 6     return intens*np.exp(-np.power(x-mu, 2.)/(2*np.power(sig, 2.)))
  7 
  8 results = np.empty((4001, 1), float)

ValueError: operands could not be broadcast together with shapes (4001,) (75,)

将numpy导入为np
定义高斯（强度，μ）：
x=np.arange（4001）
sig=50
返回强度*np.exp（-np.power（x-mu，2.）/（2*np.power（sig，2.））
结果=np.空（（4001，1），浮点数）
对于范围（75）内的i：
mu=np.数组（[106.2516169.2317179.4433210.1843225.1875237.6963261.1454，
290.3952, 298.8429, 383.1141, 394.5482, 415.7989, 474.0785, 522.2687,
555.9868, 571.7233, 617.1713, 646.9524, 712.1052, 757.1555, 839.7896,
862.2479, 874.9923, 927.4888, 948.9697, 951.0036, 964.3596, 969.371,
1008.6015, 1039.7932, 1044.8249, 1063.0541, 1107.298, 1127.9082, 1155.2848,
1180.83, 1196.411, 1225.1961, 1234.4729, 1256.5558, 1278.3917, 1284.0116,
1311.6421, 1338.709, 1346.252, 1360.011, 1434.1602, 1439.0059, 1455.3892,
1490.6434, 1512.7327, 1517.3906, 1521.4376, 1525.9011, 1531.1185, 1540.3454,
1546.1395, 1554.7932, 1841.6486, 3045.7824, 3050.0779, 3053.1525, 3064.5046,
3070.2651, 3073.4956, 3094.2865, 3097.3753, 3101.0081, 3107.7236, 3108.5122,
3115.0888, 3117.7676, 3123.2296, 3127.9553, 3141.7127])
意向=np.数组（[3.609400e+00,6.870000e-02,1.425000e-01,1.908000e-01,2.848000e-01，
9.04000E-01、7.114000e-01、3.85000E-01、1.899100e+00、7.697000e-01、，
1.484000e-01、1.223400e+00、5.366000e-01、4.554700e+00、2.007100e+00、，
8.798000e-01、9.361000e-01、1.767700e+00、4.380000e-01、6.543100e+00、，
4.705000e-01、1.423900e+00、5.475000e-01、1.230200e+00、3.059800e+00、，
4.872000e-01、1.293400e+00、2.782900e+00、5.430000e-02、1.592800e+00、，
2.582030e+01、2.047560e+01、1.544500e+00、4.941600e+00、1.135200e+00、，
6.22900E-01、3.967100e+00、1.082100e+00、5.126800e+00、3.136400e+00、，
3.190000e-02、3.438700e+00、6.669500e+00、2.266600e+00、1.033200e+00、，
4.739000e+00、4.292300e+00、4.469500e+00、6.858500e+00、8.952200e+00、，
2.593600e+00、6.386200e+00、4.342300e+00、2.799900e+00、1.920900e+00、，
3.788000e-01、4.900100e+00、4.086800e+00、2.093403e+02、1.231370e+01、，
1.935290e+01、3.692450e+01、2.791320e+01、1.315910e+01、2.868290e+01、，
2.371370e+01、1.425640e+01、4.406400e+00、7.293400e+00、5.097790e+01、，
4.594300e+01、3.229710e+01、1.685690e+01、2.933100e+01、2.938250e+01]）
g_calc=map（高斯分布（强度，μ），zip分布（强度，μ））
结果=vstack（结果，g_计算）
结果
---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
35 2.371370e+01、1.425640e+01、4.406400e+00、7.293400e+00、5.097790e+01、，
36 4.594300e+01、3.229710e+01、1.685690e+01、2.933100e+01、2.938250e+01]）
--->37 g_calc=map（高斯分布（强度，μ），zip分布（强度，μ））
38结果=vstack（结果，g_计算）
39结果
高斯分布（强度，μ）
4X=np.arange（4001）
5sig=50
---->6返回强度*np.exp（-np.power（x-mu，2.）/（2*np.power（sig，2.））
7.
8结果=np.空（（4001，1），浮点）
ValueError:操作数无法与形状（4001，）（75，）一起广播

如果我正确理解了您的问题，您要计算的是：

（如果这是正确的，我建议重新制定标题，因为这实际上不是高斯人特有的。）

对于这类操作，我广泛使用

numpy.meshgrid

。在这里，它基本上创建二维数组，其中一个维度是频率网格（索引

j

），另一个维度对应不同的峰值（索引

i

）。然后，您可以有效地为这些数据库上的数组调用所有

numpy

机制。查看下面的代码是否生成您期望的输出：

import numpy as np
import matplotlib.pyplot as plt

intens = np.array([0.1, 0.22, 0.13, 0.51, 0.4])
freq_0 = np.array([500.3, 123.4, 1023.6, 2562.45, 3126.2])
sigmaf = np.array([10.3,   20.4,  5.6,    40.5, 26.2])

freq_mesh = np.linspace(0.0,4000.0, num=4001, endpoint=True)

[I, FM] = np.meshgrid(intens, freq_mesh)
[F0,FM] = np.meshgrid(freq_0, freq_mesh)
[SF,FM] = np.meshgrid(sigmaf, freq_mesh)

signal_2d_arr = I*np.exp(-(FM-F0)**2/(2*SF**2))

spectrum = np.sum(signal_2d_arr, axis = 1)

plt.figure()
plt.plot(freq_mesh, spectrum)
plt.show()

---

太棒了，这正是我要找的，甚至是我找到了如何进行策划的方法。我在想，我必须在每一列中取最大值并绘制它。但这一切都是一次性完成的。很遗憾，我不能在评论中把情节贴在这里。我认为这也是这个问题的答案：。如果您需要超过

I

的最大值，您可以将

np.sum

行替换为：

spectrum=np.amax（signal\u 2d\u arr，axis=1）

我通常主张只拼写

np.max

尝试了np.max和np.amax，两种拼写都会产生相同的结果。谢谢你的建议。