Python中基于变量区间动态选系数计算y=C1*x^C2的优化方案

我想要创建一个数组，其值依赖于一个变量和两个系数，而系数的值也取决于该变量的取值。举个简单例子：

x_intervals = [2, 10]
C1_values = [0.1, 0.5, -0.2]
C2_values = [0.4,0.6, -0.8]

我希望C1和C2满足：

• 当x<2时，取数组第一个元素（即C1=0.1，C2=0.4）
• 当2<x≤10时，取数组第二个元素（即C1=0.5，C2=0.6）
• 当x>10时，取数组第三个元素（即C1=-0.2，C2=-0.8）

之后我想用这些系数计算列表中任意x对应的y=C1*x^C2的值。

目前我通过连续的if语句实现：

x = [0.1,1,1.5,2.2,5,9,12,20,30,60,70,100]
y = []
for x_ in x:
   if x_<=x_intervals[0]:
      C1 = C1_values[0]
      C2 = C2_values[0]
   elif x_<=x_intervals[1]:
      C1 = C1_values[1]
      C2 = C2_values[1]
   else:
     C1 = C1_values[2]
     C2 = C2_values[2]
   y.append(C1*x_ **C2)

这种方法可行但代码繁琐且手动性强，增加区间数量时代码会变得冗长。我确信存在更简洁高效的实现方式，求解决方案？（使用Python，核心是逻辑/算法问题）

优化方案：利用Numpy的searchsorted方法 #

可以使用Numpy的searchsorted函数高效定位变量所在区间，自动匹配对应系数，无需手动编写多层条件判断，扩展性更强。以下是适配实际场景的最终实现（其中Coeff_1和Coeff_2是存储C1、C2系数的pandas DataFrame）：

import numpy as np
import pandas as pd

def calculate_curve_value(Re=10, df=pd.DataFrame()):
    MaxRe = df.loc["MaxRe"].values
    C1 = df.loc["C1"].values
    C2 = df.loc["C2"].values
    
    idx = np.searchsorted(MaxRe, Re)
    value = C1[idx] * Re ** (C2[idx])
    
    return value

Re = [0.1,1,1.5,2.2,5,9,12,20,30,60,70,100]
N = []
f = []
for i in Re:
    N.append(calculate_curve_value(Re=i, df=Coeff_1))
    f.append(calculate_curve_value(Re=i, df=Coeff_2))

方案说明 #

np.searchsorted(MaxRe, Re)会返回输入值Re在排序后的区间数组MaxRe中应插入的位置，这个位置正好对应需要选取的系数索引，从而自动匹配对应区间的C1和C2值。无论区间数量多少，代码结构都无需修改，大幅提升了扩展性和简洁度。

内容的提问来源于stack exchange，提问作者robi_beginner