使用嵌套的for循环附加到多个列表

Question

我试图针对一定范围的电压值在三个不同的温度（具有三个不同的饱和电流）上循环肖克利二极管方程，然后将这三个数据插入列表中。

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是不正确的，但是我已经以此方式编写它，以试图帮助我传达我要达到的目标。

我想先通过电压使j = 0循环，然后将I附加到i269中，然后再通过电压使j = 1并附加到i284等中。

任何帮助将非常感激。 谢谢

Answer 1

请注意，使用您当前的方法无法对I索引，因为您只是为其分配了一个值。 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])

---

但是，可以通过利用以下内容进行广播和矢量化来提高性能：

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

---

让我们检查结果并查看两种方法的时序：

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

---

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

---

%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)

---

使用矢量化方法可实现高达6,500x的巨大加速！