如何将某些函数应用于python网格?
假设我要计算网格上每个点的值。我将定义一些函数如何将某些函数应用于python网格?,python,numpy,matplotlib,Python,Numpy,Matplotlib,假设我要计算网格上每个点的值。我将定义一些函数func,它将两个值x和y作为参数,并返回第三个值。在下面的示例中,计算此值需要在外部字典中查找。然后,我将生成一个点网格,并对每个点计算func,以获得所需的结果 下面的代码正是这样做的,但有点迂回。首先,我将X和Y坐标矩阵重塑为一维数组,计算所有值,然后将结果重塑为矩阵。我的问题是,这能以更优雅的方式完成吗 import collections as c # some arbitrary lookup table a = c.defaultdi
func
,它将两个值x
和y
作为参数,并返回第三个值。在下面的示例中,计算此值需要在外部字典中查找。然后,我将生成一个点网格,并对每个点计算func
,以获得所需的结果
下面的代码正是这样做的,但有点迂回。首先,我将X和Y坐标矩阵重塑为一维数组,计算所有值,然后将结果重塑为矩阵。我的问题是,这能以更优雅的方式完成吗
import collections as c
# some arbitrary lookup table
a = c.defaultdict(int)
a[1] = 2
a[2] = 3
a[3] = 2
a[4] = 3
def func(x,y):
# some arbitrary function
return a[x] + a[y]
X,Y = np.mgrid[1:3, 1:4]
X = X.T
Y = Y.T
Z = np.array([func(x,y) for (x,y) in zip(X.ravel(), Y.ravel())]).reshape(X.shape)
print Z
此代码的目的是生成一组值,我可以使用matplotlib中的
pcolor
创建热图类型绘图。我将使用numpy.vectorize
对函数进行“矢量化”。请注意,尽管有这个名称,vectorize
并不是为了让代码运行得更快,只是稍微简化一下
以下是一些例子:
>>> import numpy as np
>>> @np.vectorize
... def foo(a, b):
... return a + b
...
>>> foo([1,3,5], [2,4,6])
array([ 3, 7, 11])
>>> foo(np.arange(9).reshape(3,3), np.arange(9).reshape(3,3))
array([[ 0, 2, 4],
[ 6, 8, 10],
[12, 14, 16]])
对于你的代码来说,用np.vectorize
装饰func
就足够了,然后你可以把它称为func(X,Y)
——无需ravel
或重塑
必要:
import numpy as np
import collections as c
# some arbitrary lookup table
a = c.defaultdict(int)
a[1] = 2
a[2] = 3
a[3] = 2
a[4] = 3
@np.vectorize
def func(x,y):
# some arbitrary function
return a[x] + a[y]
X,Y = np.mgrid[1:3, 1:4]
X = X.T
Y = Y.T
Z = func(X, Y)
codereview.stackoverflow.com可能是一个更好的地方。我相信
X.restrape(X.size)
与X.ravel()相同。您可能还想了解一下。我们也可以直接将矢量化作为函数应用。例如,对内置的chr(…)
函数进行向量化:np.vectorize(chr)(np.arange(97107))
会给出数组(['a','b','c','d','e','f','g','h','i','j',dtype='S1')
。这是真的,但你只是解开了装饰程序的语法糖分。缺点是每次执行该行时都会创建一个新函数,这是一个有点昂贵的操作。对于decorator语法,通常只执行一次(在导入时),因此它没有那么大的问题。