代码仅供参考，如有谬误或不足之处请留言。
1.同一图形界面画多条曲线并标注
例1：
示例代码：
import math
import pylab as plt
import numpy as np
plt.rc('text', usetex=True) # 调用字库
x = np.linspace(-10, 10, 100)
y1 = np.cosh(x)
y2 = np.sinh(x)
y3 = math.e**x/2
plt.plot(x, y1, label='$\\mathrm{cosh}(x)$')
plt.plot(x, y2, label='$\\mathrm{sinh}(x)$')
plt.plot(x, y3, label='$\\frac{1}{2} \cdot e^x$')
plt.legend()
plt.xlabel('$x$')
plt.ylabel('$y$')
plt.show()运行结果：
例2：
示例代码：
import numpy as np
import matplotlib.pyplot as plt
k_values = [1, 2, 3, 4, 5, 6] # k的取值
x = np.linspace(-10, 10, 100) # x的范围
for k in k_values:
y = k * x ** 2 + 2 * k # 计算y值
label = f'k={k}' # 设置标注
plt.plot(x, y, label=label) # 绘制曲线
plt.xlabel('x') # 添加x轴标签
plt.ylabel('y') # 添加y轴标签
plt.legend() # 添加图例
plt.grid(True) # 添加网格线
plt.show() # 显示图形
运行结果：
2. 积分函数图像
示例代码：
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import quad
def fun(t, x):
return np.exp(-t) * (t ** (x - 1))
x = np.linspace(0, 10, 100) # x 的范围
y = [quad(fun, 0, np.inf, args=i)[0] for i in x] # 计算积分
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('$ y = \int_0^{\infty} e^{-t} \cdot t^{x-1} dt $')
plt.grid(True)
plt.show()
运行结果：
3.分别在子图中绘制曲线
示例代码：
import numpy as np
import matplotlib.pyplot as plt
plt.rc('font', family='SimHei') # 用来正常显示中文标签
plt.rc('axes', unicode_minus=False) # 用来正常显示负号
k_values = [1, 2, 3, 4, 5, 6] # k的取值
x = np.linspace(-10, 10, 100) # x的范围
fig, axs = plt.subplots(2, 3, figsize=(10, 6)) # 创建2行3列的子窗口
for i, k in enumerate(k_values):
y = k * x ** 2 + 2 * k # 计算y值
row = i // 3 # 计算子窗口所在的行数
col = i % 3 # 计算子窗口所在的列数
ax = axs[row, col] # 获取当前子窗口
label = f'k={k}' # 设置标注
ax.plot(x, y, label=label) # 绘制曲线
ax.set_xlabel('x') # 添加x轴标签
ax.set_ylabel('y') # 添加y轴标签
ax.set_title(f'图 {i+1}') # 添加子窗口标题
ax.legend() # 添加图例
ax.grid(True) # 添加网格线
plt.tight_layout() # 自动调整子窗口布局
plt.show() # 显示图形
运行结果：
4.绘制二次曲面
（1）
示例代码：
import numpy as np
import matplotlib.pyplot as plt
a = 2
b = np.sqrt(10)
c = np.sqrt(8)
phi = np.arange(0, 2*np.pi+0.1, 0.1)
theta = np.arange(-1, 1.1, 0.1)[:, np.newaxis]
x = a * np.cosh(theta) * np.cos(phi)
y = b * np.cosh(theta) * np.sin(phi)
z = c * np.sinh(theta)
fig = plt.figure()
ax = fig.add_subplot(projection='3d')
ax.plot_surface(x, y, z, cmap='viridis')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z')
ax.set_box_aspect([1, 1, 1])
ax.set_title('$\\frac{x^2}{4}+\\frac{y^2}{10}-\\frac{z^2}{8}=1$')
plt.show()运行结果：
（2）
示例代码：
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建一个三维坐标系
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 生成x，y的网格
x = np.linspace(-50, 50, 1000)
y = np.linspace(-50, 50, 1000)
X, Y = np.meshgrid(x, y)
# 计算z的值
Z = (X**2)/4+(Y**2)/6
# 绘制二次曲面
ax.plot_surface(X, Y, Z, cmap='viridis')
# 添加坐标轴标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 添加标题
ax.set_title('$(\\frac{x^2}{4}+\\frac{y^2}{6})=z$')
# 设置z轴的范围
ax.set_zlim(0, 1000)
# 显示图形
plt.show()
运行结果：
5.读取Excel中的数据并绘制网格图和等高线图
由于笔者没有附件资源，无法获悉Excel表格中的内容，该题目以自制的Excel表格为例。
[1:,0]为x坐标0到100，间隔为1；[0,1:]为y坐标0到100，间隔为1；[1:,1:]为z坐标，是0到1000的随机数。由于高度数据是随机生成的，所以绘制的结果不符合常理，只需要掌握绘制方法，在实际应用过程中替换数据即可。
生成Excel文件的代码：
import pandas as pd
import numpy as np
# 生成x、y和z数据
x = np.arange(0, 101, 1)
y = np.arange(0, 101, 1)
z = np.random.randint(0, 1001, size=(101, 101))
# 创建DataFrame对象
df = pd.DataFrame(data=z, index=x, columns=y)
# 写入Excel文件
df.to_excel('data.xlsx')绘制等高线：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import RectBivariateSpline
df = pd.read_excel('data.xlsx', header=None)
x = df.iloc[1:, 0].values
y = df.iloc[0, 1:].values
z = df.iloc[1:, 1:].values
# 绘制等高线图
plt.contour(x, y, z)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Contour Plot')
plt.colorbar() # 添加颜色条
# 在已知点处添加标注
point1 = (30, 0)
point2 = (43, 30)
plt.annotate('(30,0)', point1, textcoords="offset points", xytext=(0,10), ha='center')
plt.annotate('(43,30)', point2, textcoords="offset points", xytext=(0,10), ha='center')
# 创建插值函数
interp_func = RectBivariateSpline(x, y, z)
# 定义积分区间
x_min, x_max = min(x), max(x)
y_min, y_max = min(y), max(y)
# 计算积分区间的网格点数
grid_size = 100 # 可根据需要调整
# 生成网格点
x_grid = np.linspace(x_min, x_max, grid_size)
y_grid = np.linspace(y_min, y_max, grid_size)
# 计算网格点上的插值值
z_grid = interp_func(x_grid, y_grid)
# 计算曲面面积
area = np.trapz(np.trapz(z_grid, x_grid), y_grid)
print('区域面积:', area)
plt.show()运行结果：
区域面积: 2491714.2083680276绘制网格图：
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
df = pd.read_excel('data2.xlsx', header=None)
x = df.iloc[1:, 0].values
y = df.iloc[0, 1:].values
z = df.iloc[1:, 1:].values
# 创建网格
X, Y = np.meshgrid(y, x)
# 创建画布和3D坐标轴
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制三维网格图
ax.plot_surface(X, Y, z)
# 设置坐标轴标签
ax.set_xlabel('Y')
ax.set_ylabel('X')
ax.set_zlabel('Z')
# 显示三维网格图
plt.show()
运行结果：
6、求线性方程组的唯一解、最小二乘解、最小范数解
例1：
示例代码：
仅给出第一问的求解过程，第二问将代码中的矩阵替换即可。
import numpy as np
# 定义系数矩阵 A 和常数向量 b
A = np.array([[4, 2, -1], [3, -1, 2], [11, 3, 0]])
b = np.array([2, 10, 8])
# 解线性方程组 Ax = b
x = np.linalg.solve(A, b)
# 判断解的情况
if np.linalg.matrix_rank(A) == np.linalg.matrix_rank(np.column_stack((A, b))):
if np.linalg.matrix_rank(A) == A.shape[1]:
print("线性方程组有唯一解")
x_unique = np.linalg.solve(A, b)
print("唯一解 x =", x_unique)
else:
print("线性方程组有无穷多解")
x_least_squares = np.linalg.lstsq(A, b, rcond=None)[0]
print("最小二乘解 x =", x_least_squares)
else:
print("线性方程组无解")
x_least_squares = np.linalg.lstsq(A, b, rcond=None)[0]
print("最小二乘解 x =", x_least_squares)
x_min_norm = np.linalg.pinv(A).dot(b)
print("最小范数解 x =", x_min_norm)
运行结果：
线性方程组无解
最小二乘解 x = [ 1.21304348 -1.44782609 1.95652174]
最小范数解 x = [ 1.21304348 -1.44782609 1.95652174]例2：
import numpy as np
# 生成系数矩阵A
A = np.zeros((1000, 1000))
np.fill_diagonal(A, 4)
np.fill_diagonal(A[:, 1:], 1)
np.fill_diagonal(A[1:, :], 1)
# 生成常数向量b
b = np.arange(1, 1001)
# 判断解的情况
if np.linalg.matrix_rank(A) == np.linalg.matrix_rank(np.column_stack((A, b))):
if np.linalg.matrix_rank(A) == A.shape[1]:
print("线性方程组有唯一解")
x_unique = np.linalg.solve(A, b)
print("唯一解 x =", x_unique)
else:
print("线性方程组有无穷多解")
x_least_squares = np.linalg.lstsq(A, b, rcond=None)[0]
print("最小二乘解 x =", x_least_squares)
else:
print("线性方程组无解")
x_least_squares = np.linalg.lstsq(A, b, rcond=None)[0]
print("最小二乘解 x =", x_least_squares)
x_min_norm = np.linalg.pinv(A).dot(b)
print("最小范数解 x =", x_min_norm)
有唯一解，运行结果太长，这里不做展示。
7.求非线性方程组的符号解和数值解
例1：
示例代码：
from sympy import symbols, Eq, solve
# 定义未知数
x, y = symbols('x y')
# 定义非线性方程组
equations = (Eq(x**2 - y - x - 3, 0), Eq(x + 3*y - 2, 0))
# 求解符号解
symbolic_solution = solve(equations, (x, y))
print("符号解:", symbolic_solution)
# 数值解需要使用数值方法求解
from scipy.optimize import fsolve
# 定义非线性方程组的函数
def equations(variables):
x, y = variables
return [x**2 - y - x - 3, x + 3*y - 2]
# 初始猜测值
initial_guess = [1, 1]
# 求解数值解
numeric_solution = fsolve(equations, initial_guess)
print("数值解:", numeric_solution)
运行结果：
符号解: [(1/3 - sqrt(34)/3, 5/9 + sqrt(34)/9), (1/3 + sqrt(34)/3, 5/9 - sqrt(34)/9)]
数值解: [ 2.27698396 -0.09232799]例2：
示例代码：
from sympy import symbols, pi, integrate, sqrt
# 定义符号变量
y = symbols('y')
# 定义曲线方程
curve1 = y - sqrt(4*y - y**2)
curve2 = sqrt(4 - y)
# 计算容器的体积
volume = pi * integrate((curve1**2 - curve2**2), (y, 1, 3))
print("容器的体积:", volume)
# 定义重力加速度和水的密度
g = 9.8
p = 1000
# 计算至少需要做多少功
work = p * g * volume
print("至少需要做多少功:", work)
运行结果：
容器的体积: pi*(-8*pi/3 - 4*sqrt(3) + 12)
至少需要做多少功: 9800.0*pi*(-8*pi/3 - 4*sqrt(3) + 12)例3：
示例代码：
import numpy as np
from scipy.optimize import fsolve
def f(x):
return (abs(x + 1) - abs(x - 1)) / 2 + np.sin(x)
def g(x):
return (abs(x + 3) - abs(x - 3)) / 2 + np.cos(x)
def equations(variables):
x1, x2, y1, y2 = variables[:4]
eq1 = 2 * x1 - (3 * f(y1) + 4 * g(y2) - 1)
eq2 = 3 * x2 - (2 * f(y1) + 6 * g(y2) - 2)
eq3 = y1 - (f(x1) + 3 * g(x2) - 3)
eq4 = 5 * y2 - (4 * f(x1) + 6 * g(x2) - 1)
return [eq1, eq2, eq3, eq4]
initial_guess = [0, 0, 0, 0] # 初始猜测值
numeric_solution = fsolve(equations, initial_guess)
print("数值解:", numeric_solution)
运行结果：
数值解: [-0.85877135 0.3022151 -0.84512781 0.01562419]例4：
示例代码：
import numpy as np
from scipy.optimize import least_squares
def f(x):
return (np.abs(x + 1) - np.abs(x - 1)) / 2 + np.sin(x)
def g(x):
return (np.abs(x + 3) - np.abs(x - 3)) / 2 + np.cos(x)
def equations(variables):
x1, x2, y1, y2 = variables[:4]
eq1 = 2 * x1 - (3 * f(y1) + 4 * g(y2) - 1)
eq2 = 3 * x2 - (2 * f(y1) + 6 * g(y2) - 2)
eq3 = y1 - (f(x1) + 3 * g(x2) - 3)
eq4 = 5 * y2 - (4 * f(x1) + 6 * g(x2) - 1)
eq5 = x1 + y1 - (f(y2) + g(x2) - 2)
eq6 = x2 - 3 * y2 - (2 * f(x1) - 10 * g(y1) - 5)
return [eq1, eq2, eq3, eq4, eq5, eq6]
initial_guess = [0, 0, 0, 0] # 初始猜测值
result = least_squares(equations, initial_guess)
numeric_solution = result.x
print("最小二乘解:", numeric_solution)
运行结果：
最小二乘解: [-0.69842439 0.10960544 -1.15185365 0.07400321]8.求矩阵特征值和特征向量的数值解和符号解
示例代码：
import numpy as np
# 定义矩阵
matrix = np.array([[-1, 1, 0], [-4, 3, 0], [1, 0, 2]])
# 求解特征值和特征向量的数值解
eigenvalues, eigenvectors = np.linalg.eig(matrix)
print("特征值:", eigenvalues)
print("特征向量:\n", eigenvectors)
# 求解特征值和特征向量的符号解
symbolic_eigenvalues = np.linalg.eigvals(matrix)
symbolic_eigenvectors = np.linalg.eig(matrix)[1]
print("特征值的符号解:", symbolic_eigenvalues)
print("特征向量的符号解:\n", symbolic_eigenvectors)运行结果：
特征值: [2. 1. 1.]
特征向量:
[[ 0. 0.40824829 0.40824829]
[ 0. 0.81649658 0.81649658]
[ 1. -0.40824829 -0.40824829]]
特征值的符号解: [2. 1. 1.]
特征向量的符号解:
[[ 0. 0.40824829 0.40824829]
[ 0. 0.81649658 0.81649658]
[ 1. -0.40824829 -0.40824829]]
7338
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
