Python重力场计算函数异常：仅屏幕底部行有非零值求助

我是大学编程新手，学编程才几个月，正在做一个基于Pygame的重力场强度可视化程序。基于已验证可用的引力计算器修改了重力场计算函数，用来计算屏幕每个像素点的重力场，但返回的numpy数组里除了屏幕底部行，其他元素全是0，找不到原因。

测试场景：用100x100的屏幕，在(50,50)位置放一个质量为6000000000000的单个质量体，问题依然存在。

当前代码 #

# 计算屏幕上每个点由所有质量体产生的引力场的函数，质量和位置由列表定义，同时传入屏幕尺寸
def gravfield(mass, x, y, screen_width, screen_height):

    # 定义屏幕位置点
    x_screen = list(range(screen_width))
    y_screen = list(range(screen_height))

    # 定义存储屏幕每个像素点场强的数组
    field = np.zeros((screen_width, screen_height))   
        
    # 用向量法计算每个质量体产生的引力场    
    for i in range(len(x_screen)):
        for n in range(len(y_screen)):

            # 存储每个质量体产生的场强分量的列表
            x_fields = []
            y_fields = []
            
            for j in range(len(mass)):

                # 计算从质量体到目标点的位置向量
                x_distance = x[j] - x_screen[i]
                y_distance = y[j] - y_screen[n]

                # 计算质量体和目标点的距离，同时给质量体所在像素赋唯一值以避免除零错误
                distance = np.sqrt((x_distance**2) + (y_distance**2))
                if distance == 0:
                    x_fields = 0
                    y_fields = 0
                    
                else:
                     
                        # 计算质量体到目标点的单位向量
                        x_unit_vector = x_distance / distance
                        y_unit_vector = y_distance / distance

                        # 计算场强大小
                        magnitude = (G * mass[j] * 1) / (distance ** 2)

                        # 计算各方向的场强分量，并添加到存储所有质量体分量的列表中
                        x_field = (magnitude * x_unit_vector) 
                        y_field = (magnitude * y_unit_vector) 
                        x_fields.append(x_field)
                        y_fields.append(y_field)

                
        # 求和所有方向的场强分量得到合场强，再计算其大小并赋值给对应屏幕像素的数组位置
           
        gx = sum(x_fields)
        gy = sum(y_fields)
        g = np.sqrt((gx**2) + (gy**2))
        field[n, i] = g

    return field

核心问题：缩进错误 #

你把计算合场强并赋值给field的代码块（gx = sum(...)到field[n,i] = g）放在了外层i循环的末尾，而不是内层n循环的末尾。这意味着：

• 外层i循环（遍历x方向）执行时，内层n循环（遍历y方向）会完整跑一遍，但只有当n循环结束后（此时n的值固定为screen_height-1，也就是屏幕最后一行的索引），才会执行一次赋值操作。
• 所以整个field数组里，只有n=screen_height-1对应的那一行（屏幕底部行）会被赋值，其他行都保持初始的0值。

修复后的代码 #

# 计算屏幕上每个点由所有质量体产生的引力场的函数，质量和位置由列表定义，同时传入屏幕尺寸
def gravfield(mass, x, y, screen_width, screen_height):

    # 定义屏幕位置点
    x_screen = list(range(screen_width))
    y_screen = list(range(screen_height))

    # 定义存储屏幕每个像素点场强的数组
    field = np.zeros((screen_width, screen_height))   
        
    # 用向量法计算每个质量体产生的引力场    
    for i in range(len(x_screen)):
        for n in range(len(y_screen)):

            # 存储每个质量体产生的场强分量的列表
            x_fields = []
            y_fields = []
            
            for j in range(len(mass)):

                # 计算从质量体到目标点的位置向量
                x_distance = x[j] - x_screen[i]
                y_distance = y[j] - y_screen[n]

                # 计算质量体和目标点的距离，同时给质量体所在像素赋唯一值以避免除零错误
                distance = np.sqrt((x_distance**2) + (y_distance**2))
                if distance == 0:
                    x_fields = [0]  # 改为列表，避免sum时报错
                    y_fields = [0]
                    
                else:
                     
                        # 计算质量体到目标点的单位向量
                        x_unit_vector = x_distance / distance
                        y_unit_vector = y_distance / distance

                        # 计算场强大小
                        magnitude = (G * mass[j] * 1) / (distance ** 2)

                        # 计算各方向的场强分量，并添加到存储所有质量体分量的列表中
                        x_field = (magnitude * x_unit_vector) 
                        y_field = (magnitude * y_unit_vector) 
                        x_fields.append(x_field)
                        y_fields.append(y_field)

            # 注意这里的缩进：放到n循环内部，每个像素点都执行一次
            # 求和所有方向的场强分量得到合场强，再计算其大小并赋值给对应屏幕像素的数组位置
            gx = sum(x_fields)
            gy = sum(y_fields)
            g = np.sqrt((gx**2) + (gy**2))
            field[n, i] = g

    return field

额外优化说明 #

• 当distance == 0时，原代码把x_fields和y_fields赋值为整数0，后续sum(x_fields)会报错（因为不能对整数用sum），所以改为赋值为[0]这样的列表，保证sum操作正常执行。
• 若后续屏幕尺寸增大，嵌套循环的计算效率会很低，可以尝试用numpy的向量化操作替代循环，不过先把逻辑跑通再优化性能更适合新手阶段。

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