在向量中的python总结缩放变量的图

我想绘制一个对数似然函数在python中的Berthe-Blocke 方程，我不断得到一个无意义的情节。目前，我正在做在向量中的python总结缩放变量的图

def Berthe_Blocke(beta, prefac, I): 
    gamma=(1/numpy.sqrt(1- beta)) 
    vsq=beta*9*10**20 
    return prefac*(numpy.log(2*0.511*numpy.power(gamma,4)*vsq*(beta)*2*0.511/ numpy.power((3*10**10)*I,2))-2*beta) #non-vectorized BB Funtion 
def Likelihood_sing(I, element,mean, k): 
    En=numpy.ones(len(pbe)) #these three make it such that the function is far more general 
    sp=numpy.zeros(len(pbe)) 
    us=numpy.ones(len(pbe)) 
    beta=numpy.ones(len(pbe)) 
    spav=numpy.ones(len(pbe)) 
    esp=numpy.ones(len(pbe)) 
    prefac=numpy.ones(len(pbe)) 
    usr=numpy.ones(len(pbe)) 
    if element=="pb": 
     En=pbe 
     sp=pbs 
     us=pbu 
     scale=0.1535*(82/207.2)*4 
    if element=="xe": 
     En=xee 
     sp=xes 
     us=xes 
     scale=0.1535*(54/131.293)*4 
    #var=0 
    beta=(1-(numpy.power(3727/ (En+3727), 2))) #from gamma=(E+m)/m 
    prefac=2*scale*(1/beta) #prefactor 
    #print("uncertianties %f", len(us)) 
    #print("values %f", len(spav)) 
    #return -(numpy.sum(sp/numpy.power(us,2))+2*numpy.sum(prefac/(numpy.power(us,2)))*(2*numpy.power(numpy.log(a),2)-numpy.log(a))+8*(numpy.sum((prefac*beta)/numpy.power(us,2)))*numpy.log(a)) 
    return(numpy.power((sp[k]-Berthe_Blocke(beta[k], prefac[k], I))/us[k],2))-(numpy.power((sp[k]-Berthe_Blocke(beta[k], prefac[k], mean))/us[k],2)) 
def difLikelihood(I,element,mean): 
    dL=0 
    if element=="pb": 
     for k in range(len(pbe)): 
      dL=dL+Likelihood_sing(I, element, mean, k) 
    if element=="xe": 
     for k in range(len(xee)): 
      dL=dL+Likelihood_sing(I, element, mean, k)

，并绘制我给的命令 T = numpy.arange（1100，1）#some虚拟范围 matplotlib.plot（T，difLikelihood（T，元素，平均值））#mean设置

这给出了一个功能，其形状完全错误的，但是当我尝试采取的总和

numpy.sum(numpy.power((sp-Berthe_Blocke)/us,2))

我得到一个错误抱怨形状不匹配。所以我的问题是，是否这是一个适当的方法来做这个总和，以便我可以根据变量“I”创建一个图形？（顺便说一句，能量和停止能力是给出的，因为对于大量的试验是不确定的“我们”，我不允许在scipy中使用Log-Likelohood的内置函数）

来源

2017-02-21 Silas K Grossberndt

变成变量被作为整数传递，并且需要被强制用作使用浮点数的浮点数（l）

来源

2017-08-01 13:48:50

在向量中的python总结缩放变量的图

回答

相关问题