求助：如何正确绘制100维向量随时间步的变化曲线？

第一次绘图失败的原因 #

你的consensus_dynamic函数设计为接收单个时间值t，但第一次调用时传入了整个t数组（100个时间点）。此时-t*L会被广播为三维张量，而scipy.linalg.expm仅能处理二维矩阵，最终得到的x_t维度不符合plt.plot的要求——plt.plot(t, y)要求y的形状为(len(t), n_features)，直接传数组t得到的x_t形状混乱，导致绘图错误。

循环方式的正确性 #

你用循环逐个计算每个时间步的向量是正确的，最终得到的steps是包含100个100维向量的列表，转换成numpy数组后形状为(100, 100)，此时plt.plot(t, steps)会自动把每一行作为一条曲线，对应100个元素随时间的变化，和你预期的效果一致。

优化代码 #

可以用列表推导式简化循环，或者修改函数支持批量处理时间点，提升效率：

方式1：简化循环（推荐）

import numpy as np
from scipy import csgraph, linalg
import matplotlib.pyplot as plt

def consensus_dynamic(x_0, t):
    L = csgraph.laplacian(Last_adj)
    x_t = np.dot(linalg.expm(-t * L), x_0)
    return x_t

x_0 = np.arange(100)
t = np.logspace(-2.5, 1.5, 100)

# 用列表推导式替代for循环，更简洁
steps = np.array([consensus_dynamic(x_0, ti) for ti in t])

fig, ax = plt.subplots()
ax.set_xscale('log')
ax.plot(t, steps)
plt.show()

方式2：批量处理时间点（避免循环）

如果想避免循环，可以修改函数，对每个时间点单独计算矩阵指数，再批量相乘：

def consensus_dynamic_batch(x_0, t_array):
    L = csgraph.laplacian(Last_adj)
    # 对每个时间点计算expm，得到形状为(len(t_array), 100, 100)的数组
    exp_matrices = np.array([linalg.expm(-t * L) for t in t_array])
    # 批量和x_0相乘，得到形状为(len(t_array), 100)的结果
    x_t = np.dot(exp_matrices, x_0)
    return x_t

x_t = consensus_dynamic_batch(x_0, t)

fig, ax = plt.subplots()
ax.set_xscale('log')
ax.plot(t, x_t)
plt.show()

结果验证 #

两种方式得到的结果和你循环版本一致，都能生成100条曲线，对应每个向量元素随时间的变化，符合预期效果。

内容的提问来源于stack exchange，提问作者Dada