Python接收numpy ndarray的含迭代逻辑函数报错如何解决

你传入zvdw的Xpr、YTr是meshgrid生成的二维numpy数组，不是单个浮点数：

• 第一个zshell函数所有运算都是numpy原生支持的向量化运算，全程操作数组不需要逐元素判断条件，所以可以正常运行。
• 而zvdw函数中，当输入是数组时，计算得到的erro也是和输入同形状的二维数组，Python的while语句无法直接判断「整个数组和阈值比较」的布尔值：它不知道你要求是数组所有元素都满足误差条件，还是任意一个元素满足条件，因此抛出了歧义报错，这个报错确实直接来自while的条件判断逻辑。

提供三种可行的解决方式，按需选择：

方案1：改写为向量化迭代（性能最优，推荐） #

把zvdw的迭代逻辑改为支持整个数组同步迭代，直到所有元素的误差都达标，修改后的代码如下：

import numpy as np

def zvdw(pr_, Tr_):
    A = 0.421875*pr_/Tr_**2
    B = 0.125*pr_/Tr_
    # 初始化z为和输入同形状的数组，所有元素初始值为0.95
    z = np.full_like(pr_, 0.95)
    erro = np.ones_like(pr_)

    # 只要还有任意元素的误差不达标就继续迭代
    while erro.max() >= 1.0e-06:
        c2 = -(B + 1.0)
        c1 = A
        c0 = -A*B
        f = z**3 + c2*z**2 + c1*z + c0
        df = 3.0*z**2 + 2.0*c2*z + c1
        zf = z - f/df
        erro = np.abs((zf - z)/z)
        z = zf

    return z

这个方案全程用numpy向量化运算，性能远高于循环方案，适合网格点数量大的场景。

方案2：用np.vectorize包装函数（改码最少） #

如果不想修改原zvdw的逻辑，可以直接用numpy的vectorize把原函数包装为支持数组输入的版本，调用时改为：

Z = np.vectorize(zvdw)(Xpr, YTr)

注意这个方案本质是自动遍历数组的每个元素调用原函数，性能低于向量化方案，适合小数据量的快速验证。

方案3：逐网格点循环计算（最直观，性能最差） #

手动遍历两个维度的每个网格点逐个计算Z值，代码示例：

Z = np.zeros_like(Xpr)
for i in range(Xpr.shape[0]):
    for j in range(Xpr.shape[1]):
        Z[i,j] = zvdw(Xpr[i,j], YTr[i,j])

这个方案性能最低，仅适合网格点极少的场景使用。

内容的提问来源于stack exchange，提问作者Fausto Arinos Barbuto