调用psi函数时为何出现'numpy.ndarray object not callable'错误？

首先，触发TypeError: 'numpy.ndarray' object is not callable的核心原因是参数命名冲突+对传入值的错误使用，咱们一步步拆解：

1. 错误根源分析 #

你调用psi(1.0, lowest_eigenvectors(100, 4, 0.1), 0)时，第二个参数传入的是lowest_eigenvectors()函数执行后的结果——一个numpy.ndarray数组。但在psi函数内部，你写了：

herm_coeffs = [element*N_coeff(i) for element in lowest_eigenvectors(N, n, lam)[i]]

这里的lowest_eigenvectors已经不是原来的函数了，而是你传入的数组！数组是不能像函数那样加括号调用的，这就直接触发了"object is not callable"错误。

另外还有两个隐藏问题：

• psi函数里的N、n、lam都是未定义的变量，即使解决了上面的问题，也会触发NameError。
• 谐振子波函数的指数部分符号错误：应该是np.exp(-x**2/2.0)，你写的正号会导致波函数随x增大无限发散，不符合物理意义。

2. 修复步骤与修正后的代码 #

步骤1：修改psi函数的参数与逻辑 #

把参数名从lowest_eigenvectors改成eigenvecs（避免和函数名重名），直接使用传入的数组，不需要再调用函数。

步骤2：优化lowest_eigenvectors函数 #

原函数多次重复调用eigh()，效率极低，而且误用了未导入的eig()，改成先一次性计算特征值和特征向量，再筛选。

完整修正代码 #

import numpy as np
import math
from numpy.linalg import eigh
from numpy.polynomial.hermite import hermval

def matrices(N, lam):
    H_0 = np.zeros([N+1, N+1])
    x_four_matrix = np.zeros([N+1, N+1])
    for n in range(N+1):
        for m in range(N+1):
            if n == m:
                H_0[n][m] = n + 0.5
                x_four_matrix[n][m] = (6.0*n**2 + 6.0*n + 3.0)/4.0
            elif n == m-2:
                x_four_matrix[n][m] = np.sqrt((n+1)*(n+2))*(n+1.5)
            elif n == m+2:
                x_four_matrix[n][m] = (n-0.5)*np.sqrt(n*(n-1))
            elif n == m-4:
                x_four_matrix[n][m] = np.sqrt((n+1)*(n+2)*(n+3)*(n+4))/4.0
            elif n == m+4:
                x_four_matrix[n][m] = np.sqrt((n-3)*(n-2)*(n-1)*n)/4.0
    return H_0, x_four_matrix

def H_lam(N, lam):
    return matrices(N, lam)[0] + lam*matrices(N, lam)[1]

# Solve for eigenvalues (energies)
def lowest_eigenvals(N, n, lam):
    eigenvals = eigh(H_lam(N, lam))[0]
    eigenvals.sort()
    return eigenvals[:n]  # 简化切片操作

# Solve for eigenvectors
def lowest_eigenvectors(N, n, lam):
    # 只计算一次特征值和特征向量，提升效率
    eigenvals, eigenvecs = eigh(H_lam(N, lam))
    # 获取最小n个特征值的索引
    idx = eigenvals.argsort()[:n]
    # 返回对应的特征向量
    return eigenvecs[:, idx].T  # 转置后和原逻辑一致，每行对应一个特征向量

def N_coeff(i):
    return 1.0/np.sqrt(2**i*math.factorial(i)*np.sqrt(np.pi))

# 修正后的psi函数
def psi(x, eigenvecs, i):
    # 直接使用传入的特征向量数组，不需要再调用函数
    herm_coeffs = [element * N_coeff(k) for k, element in enumerate(eigenvecs[i])]
    # 修正指数符号为负
    return np.exp(-x**2 / 2.0) * hermval(x, herm_coeffs)

# 测试代码
print([element*N_coeff(0) for element in lowest_eigenvectors(100, 4, 0.1)[0]])
print(psi(1.0, lowest_eigenvectors(100, 4, 0.1), 0))

3. 额外说明 #

• 修正后的lowest_eigenvectors用argsort()获取排序后的索引，一次性筛选出最小n个特征向量，比原逻辑高效得多。
• psi函数里的herm_coeffs循环中，用enumerate获取厄米多项式的阶数k，对应N_coeff(k)，这才是正确的归一化系数对应关系（原代码里固定用i是错误的，因为特征向量的每个元素对应不同阶的厄米多项式系数）。

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