Question

我在尝试向下渲染以下凹凸函数时注意到一些奇怪的行为。它应该为打开间隔（-1,1）中的任何输入返回正值，并为其他地方的输入返回0：

>>import numpy as np

>>def bump(x):
    if np.abs(x)<1:
        return np.exp(-1/(1-x**2))
    else:
        return 0

>>vbump=np.vectorize(bump)

当我尝试在一个只包含（-1,1）中的值的数组上计算函数vbump时，它的行为符合预期：

>>x=np.linspace(-0.99,0.99,10)
>>vbump(x)

array([  1.50022600e-22,   8.57431637e-02,   2.38427081e-01,
     3.25559999e-01,   3.63401061e-01,   3.63401061e-01,
     3.25559999e-01,   2.38427081e-01,   8.57431637e-02,
     1.50022600e-22])

另一方面，当我尝试在包含（-1,1）之外的值的数组上对它进行求值时，我得到全零，即使对于应该为正的值：

>>x2=np.linspace(-1.1,1.1,10)
>>vbump(x2)

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

为什么会这样？我对python和numpy很新，但是根据我的理解，当我向量化一个函数时，它应该允许函数以元素方式跨越列表。为什么要在更大的阵列中影响其他地方的元素评估呢？

我应该补充一点，我已经找到了解决使用

评估数组上的凹凸函数的直接问题的解决方案

>>np.piecewise(x, [x <=-1, x >= 1,(-1<x)&(x<1)], [0,0,lambda t:np.exp(-1/(1-t**2))])

但我仍然想了解我的初步方法发生了什么。

Answer 1

正如np.vectorize的文档所述：

vectorized输出的数据类型是通过使用输入的第一个元素调用函数来确定的。通过指定otypes参数可以避免这种情况。

当第一个值为-1.1时，函数的返回值为整数0，因此dtype变为整数dtype（具体取决于您的设置;对我而言，它是int32）：< / p>

>>> vbump(np.array([-0.99]))
array([  1.50022600e-22])
>>> vbump(np.array([-0.99])).dtype
dtype('float64')
>>> vbump(np.array([-1.0]))
array([0])
>>> vbump(np.array([-1.0])).dtype
dtype('int32')

将您的0更改为0.0（以便您总是返回浮点数），或指定otypes：

>>> vbump = np.vectorize(bump, otypes=[float])
>>> vbump(np.linspace(-1.1, 1.1, 10))
array([ 0.        ,  0.02396887,  0.20269374,  0.31495442,  0.36234271,
        0.36234271,  0.31495442,  0.20269374,  0.02396887,  0.        ])

Python - 扩展numpy数组会更改矢量化函数的所有值

1 个答案: