使用嵌套的for循环附加到多个列表

时间:2019-05-19 18:24:53

标签: python performance numpy

我试图针对一定范围的电压值在三个不同的温度(具有三个不同的饱和电流)上循环肖克利二极管方程,然后将这三个数据插入列表中。

kb = 1.38E-23
q = 1.602E-19

voltage = np.arange(0.5, 1.02, 0.02)

T = np.array([269, 289.1, 294.5])
Is = np.array([1.707E-14, 6.877E-14, 1.4510E-13])

i269 = []
i284 = []
i294 = []

for i in range(1, len(voltage)):
    for j in range(1, 3):
        I = Is[j] * np.exp((voltage[i] * q) / (kb * T[j]))
        i269.append(I[j[0]])
        i284.append(I[j[1]])
        i294.append(I[j[2]])

我知道我在这里使用的方法在语法上是不正确的,但是我已经以此方式编写它,以试图帮助我传达我要实现的目标。

我想先通过j = 0的电压循环,然后将I附加到i269中,然后再通过j = 1的电压循环,然后附加到i284等中。

任何帮助将不胜感激。 谢谢

1 个答案:

答案 0 :(得分:0)

请注意,使用当前方法I不能建立索引,因为您只是为其分配了一个值。您首先需要将其定义为列表,然后为其索引以将其值分配给i269i284i294

kb = 1.38E-23
q = 1.602E-19

voltage = np.arange(0.5, 1.02, 0.02)

T = np.array([269, 289.1, 294.5])
Is = np.array([1.707E-14, 6.877E-14, 1.4510E-13])

I = [0 for _ in range(len(T))]
i269 = []
i284 = []
i294 = []

for i in range(len(voltage)):
    for j in range(3):
        I[j] = Is[j] * np.exp((voltage[i] * q) / (kb * T[j]))
    i269.append(I[0])
    i284.append(I[1])
    i294.append(I[2])

但是,可以利用broadcasting并将上述向量矢量化为:

i269, i284, i294 = Is[:,None] * np.exp((voltage * q) / (kb * T)[:,None])

让我们检查结果并查看两种方法的计时:

kb = 1.38E-23
q = 1.602E-19

voltage = np.arange(0.5, 1.02, 0.02)

T = np.array([269, 289.1, 294.5])
Is = np.array([1.707E-14, 6.877E-14, 1.4510E-13])

def current_approach(kb, q, voltage, T, Is):
    I = [0 for _ in range(len(T))]
    i269 = []
    i284 = []
    i294 = []

    for i in range(len(voltage)):
        for j in range(3):
            I[j] = Is[j] * np.exp((voltage[i] * q) / (kb * T[j]))
        i269.append(I[0])
        i284.append(I[1])
        i294.append(I[2])
    return i269, i284, i294

def vect_approach(kb, q, voltage, T, Is):
    i269, i284, i294 = Is[:,None] * np.exp((voltage * q) / (kb * T)[:,None])
    return i269, i284, i294

np.allclose(current_approach(kb, q, voltage, T, Is), 
            vect_approach(kb, q, voltage, T, Is))
# True

%timeit current_approach(kb, q, voltage, T, Is)
# 201 µs ± 3.46 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%timeit vect_approach(kb, q, voltage, T, Is)
# 30.9 ns ± 0.647 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

采用矢量化方法,可大大提高 6,500x 的速度!