我想用来自平滑凹凸函数的值填充一个 numpy 数组
f(x) = exp ( - 1 / (1 - x^2) ) if |x| < 1, f(x) = 0 otherwise
目前我有一些有用的东西（比如在我的平台上给了我正确的数字）
x = linspace(-1.1 , 1.1, 300) #Sample 300 points between [-1.1,1.1]
bump = exp( 1 - 1 / (1 - clip(square(x), 0,1)) )
当 x 中一个条目的绝对值至少为 1 时，它的正方形被剪裁为 1，并且我们1/(1-1) = 1/0 = +inf在我的平台上将“”作为“预期”，然后由“ exp(1 - inf) = 0”设置，这正是我想要的行为。
我的问题：
x可能不仅仅是一个简单的线性值列表。所以我想要一些可以有效计算f(x)的东西x。为什么要生成 DivisionByZero 异常？
我会使用掩码数组：
import numpy as np
x= np.linspace(-1.1,1.1,300)
masked_idx = (np.abs(x)>1)
masked_x = np.ma.array(x,mask=idx)
def f(x):
return np.exp(-1.0/(1.0-x**2))
masked_f = f(masked_x)
plot(masked_x,masked_f) # in IPython / pyplot
如果需要，您可以在函数中进行屏蔽（通过使用边界参数）
另一种做法：
_f = lambda x: np.exp(-1.0/(1.0-x*x))
f = lambda x: np.piecewise(x, [np.abs(x) < 1, np.abs(x) >= 1], [_f, 0.0])
x = np.linspace(-1.1,1.1,300)
bump = f(x)
我的观点是，你真正需要的是效率ufunc，可能在 C 中实现。在没有 true 的情况下，ufunc你可以使用任何 numpy 技巧。