如何用循环替代重复声明实现3n+1迭代及平滑3D绘图？

1. 通用N次迭代实现代码 #

你之前重复声明a0、a1的方式无法扩展到任意次数迭代，用循环可以轻松解决，同时保证每个点的x（输入值）、y（迭代次数）、z（输出值）一一对应：

def collatz(n):
    if n % 2 == 0:
        return n // 2
    else:
        return 3 * n + 1

# 配置参数
max_input = 5000  # 输入值范围1~5000
max_iterations = 20  # 总迭代次数（包含初始状态）

x = []  # 输入值
y = []  # 迭代次数
z = []  # 变换后的输出值

# 初始状态：迭代次数y=0，输出值等于输入值
current_vals = list(range(1, max_input + 1))
for val in current_vals:
    x.append(val)
    y.append(0)
    z.append(val)  # y=0时不做除法，直接保留初始值

# 迭代生成后续状态
for iteration in range(1, max_iterations):
    current_vals = [collatz(num) for num in current_vals]
    for val in current_vals:
        x.append(val)
        y.append(iteration)
        z.append(val / iteration)  # 实现类似z=x/y的变换，平衡数值范围

2. 解决大值区域信息不清晰问题 #

通过将z设置为输出值/迭代次数，可以压缩大输出值的量级，同时放大低迭代次数下的小输出值，让3D曲面的细节更均匀。如果需要用初始输入值而非当前输出值计算z，只需修改迭代部分的逻辑：

# 初始化初始输入值列表
initial_vals = list(range(1, max_input + 1))
current_vals = initial_vals.copy()

# 初始状态收集不变
for val in initial_vals:
    x.append(val)
    y.append(0)
    z.append(val)

# 迭代部分改为关联初始输入值
for iteration in range(1, max_iterations):
    current_vals = [collatz(num) for num in current_vals]
    for idx, val in enumerate(current_vals):
        x.append(initial_vals[idx])  # x始终为初始输入值
        y.append(iteration)
        z.append(initial_vals[idx] / iteration)  # z=初始x/y

3. 3D图平滑处理方法 #

对于大量离散点，最常用的平滑方式是通过插值生成规则网格后绘制曲面，示例代码如下：

import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import griddata

# 将列表转为numpy数组
x_np = np.array(x)
y_np = np.array(y)
z_np = np.array(z)

# 创建规则网格：xi为x轴网格点，yi为y轴网格点
xi = np.linspace(x_np.min(), x_np.max(), 100)  # x轴分100份，提升平滑度
yi = np.linspace(y_np.min(), y_np.max(), max_iterations)
xi, yi = np.meshgrid(xi, yi)

# 插值生成平滑z值网格，method可选：'nearest'（最快）、'linear'（中等）、'cubic'（最平滑）
zi = griddata((x_np, y_np), z_np, (xi, yi), method='cubic')

# 绘制3D平滑曲面
fig = plt.figure(figsize=(10, 7))
ax = fig.add_subplot(111, projection='3d')
surface = ax.plot_surface(xi, yi, zi, cmap='viridis', edgecolor='none')

ax.set_xlabel('输入值x')
ax.set_ylabel('迭代次数y')
ax.set_zlabel('z = 输出值/y')
fig.colorbar(surface, shrink=0.5, aspect=5)
plt.show()

其他辅助平滑技巧 #

• 降采样：数据量过大时，可每隔N个点取一个，减少计算压力：

  sample_idx = np.arange(0, len(x_np), 5)  # 每5个点取一个
  x_sampled = x_np[sample_idx]
  y_sampled = y_np[sample_idx]
  z_sampled = z_np[sample_idx]
  

• 三角化曲面：无需插值，直接用plot_trisurf基于离散点生成平滑曲面：

  ax.plot_trisurf(x_np, y_np, z_np, cmap='viridis', smooth=True)
  

内容的提问来源于stack exchange，提问作者d4shm1r