python - 使用嵌套 for 循环附加到多个列表

Question

我正在尝试在三个不同的温度(具有三个不同的饱和电流)下循环肖克利二极管方程，以获得一系列电压值，然后将这三组数据插入到列表中。

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不正确，但我这样编写是为了帮助我努力传达我想要实现的目标。

我想首先循环遍历 j = 0 的电压，并将 I 附加到 i269，然后再次遍历 j = 1 的电压并附加到 i284 等。

任何帮助将不胜感激。谢谢

Answer 1

请注意，使用您当前的方法 I 无法建立索引，因为您只是为其分配一个值。您首先需要将其定义为列表，然后对其进行索引以将其值分配给 i269、i284 或 i294:

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])

<小时/>

但是，可以通过利用broadcasting来提高性能。并将上述向量化为:

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

<小时/>

让我们检查结果并看看两种方法的时间:

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

<小时/>

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

<小时/>

%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)

<小时/>

使用矢量化方法可实现巨大的6,500x加速!