小编Bas*_*ian的帖子

使用轮廓绘制时尝试调整数据范围时得到奇怪的结果

import matplotlib
import numpy as np
import matplotlib.cm as cm
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

delta = 0.025
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-2.0, 2.0, delta)
X, Y = np.meshgrid(x, y)
Z1 = mlab.bivariate_normal(X, Y, 1.0, 1.0, 0.0, 0.0)
Z2 = mlab.bivariate_normal(X, Y, 1.5, 0.5, 1, 1)
# difference of Gaussians
Z = 10.0 * (Z2 - Z1)

plt.figure()
CS = plt.contourf(X, Y, Z, vmin = 0, vmax = 3)
plt.title('Simplest default with labels') …

我的git项目包含我不想被推送到存储库的.cas文件.我因此添加了这条线

**/*.cas

到我的.gitignore文件但.cas文件仍会出现git status.阅读了许多其他帖子后,我检查了.gitignore条目没有尾随空格,并且它们确实有unix行更改说明符.

然后我按照这里的建议运行以下命令: .gitignore不起作用

git rm -r --cached .
git add .

但是徒劳!git status仍然报告例如

new file:   calc/2_preliminary/1_CFD/7_Calc_Fluent/03_stationary_vof_stationary/mesh_04/run_10000.cas

有任何想法吗？我真的很感激.

更新

.gitignore 文件内容:

calc/
0_BSc_Alvarez/
calc/0_Test/
documentation/Tutorial_Fluent/
literature/
thunderbird/
**/.idea/
.zim
**/ND800_*
**/*.cas
**/*.dat
**/*.cdat
**/*.uns
**/*.msh
**/*.bak

git版本是1.7.1

我打算在一个单独的图中为已经在另一个图中绘制的元素创建一个新的图例。

这里建议使用以下解决方案，但它失败了PolyCollections，例如，由fill_between.

doesntwork=True

import matplotlib.pyplot as plt

# Here I am creating a figure and saving it to a png file

fig, ax = plt.subplots()
ax.plot( [0,1], [1,0], label='item 1')
if doesntwork:
    ax.fill_between([0,1], [2,1], y2=[1.5,0.5], label='item 2')
ax.legend()
fig.savefig('image.png')


# Here I want the legend stored in a separate png file ...

# ... create a new figure for this purpose
fig_leg = plt.figure(figsize=(1.5, 0.8))
ax_leg = fig_leg.add_subplot(111)

# ... draw the legend
ax_leg.legend(*ax.get_legend_handles_labels(), loc='center') …

我有两个数组A和B。现在让它们都是一维的。
对于 中的每个元素，我需要与 中的元素最匹配的元素A的索引。BA

我可以使用列表表达式来解决这个问题

import numpy as np

A = np.array([ 1, 3, 1, 5 ])
B = np.array([ 1.1, 2.1, 3.1, 4.1, 5.1, 6.1 ])

indices = np.array([ np.argmin(np.abs(B-a)) for a in A ])

print(indices)    # prints [0 2 0 4]
print(B[indices]) # prints [1.1 3.1 1.1 5.1]

但这种方法对于巨大的数组来说确实很慢。
我想知道是否有更快的方法利用优化的 numpy 函数。