在前面元素的状态很重要的情况下，基于numpy时间的矢量运算-for循环合适吗？

Question

当执行状态很重要的基于时间的计算时，numpy数组提供了什么。换句话说，序列中较早或较晚发生的情况很重要。

考虑以下基于时间的向量，

TIME = np.array([0.,   10.,  20.,  30.,  40.,  50.,  60.,  70.,  80.,  90.])
FLOW = np.array([100., 75.,  60.,  20.0, 60.0, 50.0, 20.0, 30.0, 20.0, 10.0])
TEMP = np.array([300., 310., 305., 300., 310., 305., 310., 305., 300., 295.0])

假设一旦FLOW降到30以下，而不是再次升高到50以上，就应该应用TEMP的指数衰减。在上面的数据中，将在TIME = 60处应用一个函数，并以此更新TEMP的最后两个值次要功能将从相应的TEMP值开始。

需要“向前看”以确定在请求<30条件后，元件中的FLOW是否上升到50以上。似乎numpy函数不是针对状态重要的基于时间的向量，而嵌套for循环的传统方法也许仍然是要走的路。但是考虑到我对numpy的新颖性以及我必须执行这些类型的基于状态的操作的事实，我将对指导或肯定表示赞赏。

Answer 1

虽然乔·金顿的答案当然是正确的（而且相当灵活），但它比需要的更加迂回。对于尝试学习 Numpy 的人来说，我认为更直接的路线可能更容易理解。

正如我在您的问题下指出的那样（乔也注意到了），您对代码行为的描述与示例之间似乎存在不一致。像乔一样，我也假设您描述了正确的行为。

一些注意事项：

1. Numpy 与过滤器数组配合得很好，可以指定应将操作应用于哪些元素。我多次使用它们。
2. 该np.flatnonzero函数返回一个索引数组，指定给定数组非零（或 True）的位置。

该代码使用您提供的示例数组。

import numpy as np

TIME = np.array([0.,   10.,  20.,  30.,  40.,  50.,  60.,  70.,  80.,  90.])
FLOW = np.array([100., 75.,  60.,  20.0, 60.0, 50.0, 20.0, 30.0, 20.0, 10.0])
TEMP = np.array([300., 310., 305., 300., 310., 305., 310., 305., 300., 295.0])

last_high_flow_index = np.flatnonzero(FLOW > 50)[-1]
low_flow_indices = np.flatnonzero(FLOW < 30)
acceptable_low_flow_indices = low_flow_indices[low_flow_indices > last_high_flow_index]
apply_after_index = acceptable_low_flow_indices[0]

现在我们有了索引，之后函数应应用于 TEMP。如果我正确地阅读你的问题，你希望一旦满足你的条件，温度就开始下降。这可以按如下方式完成：

time_delta = TIME[apply_after_index:] - TIME[apply_after_index]
TEMP[apply_after_index:] = TEMP[apply_after_index:] * np.exp(-0.05 * time_delta)

TEMP已更新，因此print TEMP输出

[ 300.          310.          305.          300.          310.          305.
  310.          184.99185121  110.36383235   65.82339724]

或者，您可以通过首先对函数进行向量化，将任意 Python 函数应用于适当的元素：

def myfunc(x):
    ''' a normal python function that acts on individual numbers'''
    return x + 3

myfunc_v = np.vectorize(myfunc)

然后更新 TEMP 数组：

TEMP[apply_after:] = myfunc_v(TEMP[apply_after:])