Skip to main content
 首页 » 编程设计

Python:为变量创建高斯分布并使用高斯值循环运行程序

2024年10月25日9pander-it

我仍在尝试使用 python,并且正在努力解决这个问题:

我正在使用名为 Fatiando a Terra 的工具包在 python 中运行脚本;我在这里定义了一个物体的参数,然后用重力/梯度法对其进行建模,如下所示:

import numpy as np 
from fatiando.vis import mpl 
from fatiando.mesher import Prism 
from fatiando.gravmag import prism 
from fatiando.constants import G 
from fatiando import utils 
import fatiando 
import matplotlib.pyplot as plt 
 
model = Prism(-1000, 1000, -1000, 1000, 1000, 1100, {'density': 300}) 
n = 500 
x = np.zeros(n) 
y = np.zeros(n) 
z = np.linspace(0, 2000, n) 
data = np.array([prism.gx(x, y, z, [model]), 
                 prism.gy(x, y, z, [model]), 
                 prism.gz(x, y, z, [model]), 
                 prism.gxx(x, y, z, [model]), 
                 prism.gxy(x, y, z, [model]), 
                 prism.gxz(x, y, z, [model]), 
                 prism.gyy(x, y, z, [model]), 
                 prism.gyz(x, y, z, [model]), 
                 prism.gzz(x, y, z, [model])]) 

在此之后,我正在使用 python 绘制它,但是这段代码不相关。

我手动执行了一个微型高斯阵列,使用:

from numpy.random import multivariate_normal 
multivariate_normal([300]. [[300]], 10) 

它为我提供的 10 个值是我手动输入到脚本中并生成输出的。

我想做的是对密度值为 300 执行高斯分布 +-100。我想生成 1000 个值并将它们循环回脚本,运行程序 1000 次,一次用于每个密度变体。

对于输出,我目前使用:

titles = ['gx', 'gy', 'gz', 'gxx', 'gxy', 'gxz', 'gyy', 'gyz', 'gzz'] 
np.savetxt(title, np.vstack((z.ravel(), d.ravel())).T) 

理想情况下,对于高斯数组,我想以相同的方式输出文本,但使用 1000 个样本的平均值而不是任何单个值。标准偏差也会很大。


如果我问得太多,我深表歉意,非常感谢您提供的任何帮助。 干杯!

请您参考如下方法:

这更像是一个扩展的评论而不是一个答案,尽管它也可以作为后者。

将您的代码包装在一个函数中,然后在循环中调用该函数,最后对结果进行平均,可能看起来像这样(部分符号):

##import statements 
 
NDENSITIES = 1000 
 
def dowork(density): 
    model = Prism(-1000, 1000, -1000, 1000, 1000, 1100, {'density': 300}) 
    ##other code 
    return data   ## or whatever is important 
 
densities = multivariate_normal([300], [[300]], NDENSITIES) 
results = [] 
for density in range(densities): 
    results.append(dowork(density)) 
results = np.vstack(results)   ## or hstack or dstack, depending on the dimensions of `data` 
mean = results.mean()   # possibly: results.mean(axis=0) or with axis=1 etc. Again dependent on the dimensions 
std = results.std()