小编uho*_*hoh的帖子

我在这个有用的答案中发现plt.scatter(),plt.plot()当在y轴上使用对数刻度时, 表现不同.

有了plot,我可以在使用之前随时更改为日志plt.show(),但必须在使用分散方法之前预先设置日志.

这只是matplotlib中的一个历史性且不可逆转的工件,还是属于"意外行为"类别？

import matplotlib.pyplot as plt

X = [0.997, 2.643, 0.354, 0.075, 1.0, 0.03, 2.39, 0.364, 0.221, 0.437]
Y = [15.487507, 2.320735, 0.085742, 0.303032, 1.0, 0.025435, 4.436435,
     0.025435, 0.000503, 2.320735]

plt.figure()

plt.subplot(2,2,1)
plt.scatter(X, Y)
plt.xscale('log')
plt.yscale('log')
plt.title('scatter - scale last')   

plt.subplot(2,2,2)
plt.plot(X, Y)
plt.xscale('log')
plt.yscale('log')
plt.title('plot - scale last')   

plt.subplot(2,2,3)
plt.xscale('log')
plt.yscale('log')
plt.scatter(X, Y)
plt.title('scatter - scale first')   


plt.subplot(2,2,4)
plt.xscale('log')
plt.yscale('log')
plt.plot(X, Y)
plt.title('plot - scale …

我由此受到启发答案通过@詹姆斯,看看如何griddata和map_coordinates可能被使用.在下面的例子中,我正在显示2D数据,但我的兴趣在于3D.我注意到griddata只提供1D和2D的样条曲线,并且仅限于3D和更高的线性插值(可能有很好的理由).然而,map_coordinates似乎很好用3D使用更高阶(比分段线性更平滑)插值.

我的主要问题是: 如果我在3D中有随机的非结构化数据(我不能使用map_coordinates),那么在NumPy SciPy宇宙中,或者至少在附近,是否有某种方法可以比分段线性插值更平滑？

我的第二个问题是:3D的样条是不可用的,griddata因为实现起来很困难或乏味,或者是否存在根本性的困难？

下面的图片和可怕的蟒蛇显示了我目前对griddata和map_coordinates如何使用或不能使用的理解.沿着粗黑线进行插值.

结构化数据:

联合国结构化数据:

可怕的蟒蛇:

import numpy as np
import matplotlib.pyplot as plt

def g(x, y):
    return np.exp(-((x-1.0)**2 + (y-1.0)**2))

def findit(x, X):  # or could use some 1D interpolation
    fraction = (x - X[0]) / (X[-1]-X[0])
    return fraction * float(X.shape[0]-1)

nth, nr = 12, 11
theta_min, theta_max = 0.2, 1.3
r_min,     r_max     = 0.7, 2.0

theta = np.linspace(theta_min, theta_max, nth)
r     = np.linspace(r_min,     r_max, …

在Python 中的良好日志实践教程中，主模块查找logging.config但我的 python 2.7 安装没有显示，当我使用dir(logging)和尝试运行此示例时，我得到：

Traceback (most recent call last):
  File "/Users/your-name-here/logging python/example.py", line 7, in <module>
logging.config.fileConfig('logging.ini')
AttributeError: 'module' object has no attribute 'config'

logging.config肯定会出现在一些文档中，所以这不是一个错误。为什么它没有出现在我的任何 python 2.7 安装中（当我输入dir(logging)包括去年的 anaconda时，我怎样才能让这个例子工作？

主要.py：

import logging

# load my module
import my_module

# load the logging configuration
logging.config.fileConfig('logging.ini')

my_module.foo()
bar = my_module.Bar()
bar.bar()

my_module.py:

import logging

def foo():
    logger = logging.getLogger(__name__)
    logger.info('Hi, foo')

class Bar(object):
    def __init__(self, …

必须有一些“Python化”的方式来做到这一点，但我不认为np.place，np.insert或者np.put是什么我要找的。我想A用较小的 3D 数组中的值替换大型 3D 数组中的值B，从[i,j,k]较大数组中的位置开始。看图：

我想输入类似A[i+, j+, k+] = B或np.embed(B, A, (i,j,k)) 之类的内容，但当然这些都是不对的。

编辑：哦，有这个。所以我应该修改问题以询问这是否是最好的方法（其中“最佳”意味着笔记本电脑上 500x500x50 的浮点数组最快）：

s0, s1, s2 = B.shape
A[i:i+s0, j:j+s1, k:k+s2] = B

(lat, lon)使用Skyfield将地球中心的距离映射到不同的位置,显示了纬度的变化,但与经度(亚毫米)无关.这可能是包中记录的近似值,我的脚本中的错误或完全不同的东西.我在这里做错了吗？(当然,除了使用喷射)

import numpy as np
import matplotlib.pyplot as plt
from skyfield.api import load, now

data  = load('de421.bsp')
earth = data['earth']
jd    = now()

epos = earth.at(jd).position.km

lats = np.linspace( -90,  90, 19)
lons = np.linspace(-180, 180, 37)
LATS, LONS = np.meshgrid(lats, lons)

s = LATS.shape

points = zip(LATS.flatten(), LONS.flatten())

rr = []
for point in points:
    la, lo = point
    pos = earth.topos(la, lo).at(jd).position.km
    r   = np.sqrt( ((pos-epos)**2).sum() )
    rr.append(r)

surf = np.array(rr).reshape(s)

extent …

这个答案提到

fig = plt.figure()
fig.patch.set_facecolor('black')

或者

plt.rcParams['figure.facecolor'] = 'black'

将更改 rcParams 字典中键“figure.facecolor”的值。

假设我的脚本基于用户交互以不确定的方式对值进行了多次更改，并且我想撤消所有这些更改并返回到 matplotlib 的默认参数和行为。

在脚本的开头，我可以检查matplotlib.rcParams并存储整个字典或某些键的值，然后一次恢复一个或使用方法恢复它们.update()，但我不知道这是否明智，因为我不知道该实例还matplotlib.RcParams可以如何使用（它不仅仅是一个字典）。它确实有一个.setdefault()方法，但我不明白它会返回什么帮助：

Help on method setdefault in module collections.abc:

setdefault(key, default=None) method of matplotlib.RcParams instance
    D.setdefault(k[,d]) -> D.get(k,d), also set D[k]=d if k not in D

是否有某种恢复原始默认值的功能，或者我应该通过使用我存储的副本更新整个内容来进行即兴发挥？

看起来显式计算向量数组的叉积比使用 快得多np.cross。我尝试过向量优先和向量最后，它似乎没有什么区别，尽管这是在类似问题的答案中提出的。是我用错了，还是速度慢了？

在笔记本电脑上，显式计算每个叉积大约需要 60 纳秒。这大概是最快的速度吗？在这种情况下，似乎还没有任何理由去使用 Cython 或 PyPy 或编写特别内容ufunc。

我还看到了对 einsum 使用的引用，但我不太明白如何使用它，并且怀疑它不是更快。

a = np.random.random(size=300000).reshape(100000,3) # vector last
b = np.random.random(size=300000).reshape(100000,3)
c, d = a.swapaxes(0, 1),  b.swapaxes(0, 1)          # vector first

def npcross_vlast():        return np.cross(a, b)
def npcross_vfirst():       return np.cross(c, d, axisa=0, axisb=0)
def npcross_vfirst_axisc(): return np.cross(c, d, axisa=0, axisb=0, axisc=0)
def explicitcross_vlast():
    e = np.zeros_like(a)
    e[:,0] = a[:,1]*b[:,2] - a[:,2]*b[:,1]
    e[:,1] = a[:,2]*b[:,0] - a[:,0]*b[:,2]
    e[:,2] = a[:,0]*b[:,1] - a[:,1]*b[:,0]
    return e
def …

下面的脚本集成了封闭路径周围的磁场线,并在使用Python中的Runge-Kutta RK4在某个容差范围内恢复到原始值时停止.我想用SciPy.integrate.odeint,但我看不出当路径近似关闭时我怎么能告诉它停止.

当然odeint可能比在Python中集成要快得多,我可以让它盲目地绕过并在结果中寻找结束,但在将来我会做更大的问题.

有没有办法可以实现" OK,足够接近 - 你现在可以停止! "方法进入odeint？或者我应该整合一段时间,检查,整合更多,检查......

这个讨论似乎很相关,似乎暗示"你不能从SciPy内部"可能是答案.

注意:我通常使用RK45(Runge-Kutta-Fehlberg),它在给定的行程尺寸下更准确,以加快速度,但我在这里保持简单.它还使可变步长成为可能.

更新:但有时我需要固定的步长.我发现它Scipy.integrate.ode确实提供了一种测试/停止方法,ode.solout(t, y)但似乎没有能力在固定点进行评估t.odeint允许在固定点进行评估t,但似乎没有测试/停止方法.

def rk4Bds_stops(x, h, n, F, fclose=0.1):

    h_over_two, h_over_six = h/2.0, h/6.0

    watching = False
    distance_max = 0.0
    distance_old = -1.0

    i = 0

    while i < n and not (watching and greater):

        k1 = F( x[i]                )
        k2 = F( x[i] + k1*h_over_two)
        k3 = F( x[i] + k2*h_over_two)
        k4 = …

这里scipy.integrate.odeint用六个不同的标准颂歌问题来调用rtol= atolfrom 1E-06to 1E-13。我查看了所有较大公差的结果之间的最大差异减去最小公差的结果，以获得某种“错误”的表示。我很好奇为什么对于给定的容差，一个问题 (D5) 给出的错误比另一个问题 (C1) 严重一百万倍，即使步数范围相当窄（在 10 倍之内）。

脚本中给出了颂歌问题的引用。所有问题都相当正常化，所以我正在进行rtol类似的治疗atol。

重申一下 - 我的问题是，为什么不同问题之间的误差几乎相差一个因子1E+06，尽管误差随容差而变化。当然，C1 是“最柔和的”，D5 在“近日点”处具有戏剧性的峰值，但我认为例程会在内部调整步长，以便误差相似。

编辑：我添加了“错误”的时间演变，这可能会带来一些启发。

# FROM: "Comparing Numerical Methods for Ordinary Differential Equations"
# T.E. Hull, W.H. Enright, B.M. Fellen and A.E. Sedgwidh
# SIAM J. Numer. Anal. vol 9, no 4, December 1972, pp: 603-637

def deriv_B1(y, x):
    return [2.*(y[0]-y[0]*y[1]), -(y[1]-y[0]*y[1])] # "growth of two conflicting populations"

def deriv_B4(y, x):
    A = …

更新： Skyfield 刚刚进行了重大修订，包括扩展文档和角度分离方法 - 请参阅已接受的答案。

我正在使用Skyfield计算两个物体之间的表观角距。我没有在包中找到方法，所以我“发明”了一种通过计算两个视位置向量之间的点积的方法。

这是目前最好的方法吗？在Skyfield的范围内，它本质上是正确的吗？

def separation(seconds, lat, lon):

    lat, lon, seconds = float(lat), float(lon), float(seconds) # necessary it seems

    place = earth.topos(lat, lon)

    jd = JulianDate(utc=(2016, 3, 9, 0, 0, seconds))

    mpos = place.at(jd).observe(moon).apparent().position.km
    spos = place.at(jd).observe(sun).apparent().position.km

    mlen = np.sqrt((mpos**2).sum())
    slen = np.sqrt((spos**2).sum())

    sepa = ((3600.*180./np.pi) *
            np.arccos(np.dot(mpos, spos)/(mlen*slen)))

    return sepa


from skyfield.api import load, now, JulianDate
import numpy as np
from scipy.optimize import minimize

data = load('de421.bsp')

sun   = data['sun']
earth = data['earth']
moon  = …