from - install matlab engine for python

¿Existe una función escalón de heaviside?

Question

¿Hay heaviside función de heaviside en Python similar a la de heaviside de MATLAB?

Estoy luchando por encontrar uno.

Answer 1

A partir de numpy 1.13, es numpy.heaviside .

Answer 2

Es parte de sympy , que puedes instalar con pip install sympy

De los documentos:

class sympy.functions.special.delta_functions.Heaviside
Heaviside Piecewise function. Heaviside function has the following properties:
1) diff(Heaviside(x),x) = DiracDelta(x) ( 0, if x<0 )
2) Heaviside(x) = < [*] 1/2 if x==0 ( 1, if x>0 )

Lo usarías así:

In [1]: from sympy.functions.special.delta_functions import Heaviside
In [2]: Heaviside(1)
Out[2]: 1
In [3]: Heaviside(0)
Out[3]: 1/2
In [4]: Heaviside(-1)
Out[4]: 0

También puedes escribir el tuyo:

heaviside = lambda x: 0.5 if x == 0 else 0 if x < 0 else 1

Aunque eso puede no satisfacer sus necesidades si necesita una variable simbólica.

Answer 3

No estoy seguro de si está listo para usar, pero siempre puedes escribir uno:

def heaviside(x):
if x == 0:
return 0.5
return 0 if x < 0 else 1

Answer 4

No estoy seguro de si la mejor manera de hacer las cosas ... pero aquí está la función que hice.

def u(t):
unit_step = numpy.arange(t.shape[0])
lcv = numpy.arange(t.shape[0])
for place in lcv:
if t[place] == 0:
unit_step[place] = .5
elif t[place] > 0:
unit_step[place] = 1
elif t[place] < 0:
unit_step[place] = 0
return unit_step

Answer 5

Probablemente el método más simple es solo

def step(x):
return 1 * (x > 0)

Esto funciona tanto para números únicos como para matrices numpy, devuelve números enteros, y es cero para x = 0. El último criterio puede ser preferible sobre el step(0) => 0.5 en ciertas circunstancias.

Answer 6

Si está usando la versión numpy 1.13.0 o posterior, puede usar numpy.heaviside :

In [61]: x
Out[61]: array([-2. , -1.5, -1. , -0.5, 0. , 0.5, 1. , 1.5, 2. ])
In [62]: np.heaviside(x, 0.5)
Out[62]: array([ 0. , 0. , 0. , 0. , 0.5, 1. , 1. , 1. , 1. ])

Con versiones anteriores de numpy puedes implementarlo como 0.5 * (numpy.sign(x) + 1)

In [65]: 0.5 * (numpy.sign(x) + 1)
Out[65]: array([ 0. , 0. , 0. , 0. , 0.5, 1. , 1. , 1. , 1. ])

Answer 7

def heaviside(xx):
return numpy.where(xx <= 0, 0.0, 1.0) + numpy.where(xx == 0.0, 0.5, 0.0)

O, si numpy.where es demasiado lento:

def heaviside(xx):
yy = numpy.ones_like(xx)
yy[xx < 0.0] = 0.0
yy[xx == 0.0] = 0.5
return yy

Los siguientes tiempos son con numpy 1.8.2; algunas optimizaciones se hicieron en numpy 1.9.0, así que intente esto usted mismo:

>>> import timeit
>>> import numpy
>>> array = numpy.arange(10) - 5
>>> def one():
... return numpy.where(array <= 0, 0.0, 1.0) + numpy.where(array == 0.0, 0.5, 0.0)
...
>>> def two():
... yy = numpy.ones_like(array)
... yy[array < 0] = 0.0
... yy[array == 0] = 0.5
... return yy
...
>>> timeit.timeit(one, number=100000)
3.026144027709961
>>> timeit.timeit(two, number=100000)
1.5265140533447266
>>> numpy.__version__
''1.8.2''

En una máquina diferente, con un numpy diferente:

>>> timeit.timeit(one, number=100000)
0.5119631290435791
>>> timeit.timeit(two, number=100000)
0.5458788871765137
>>> numpy.__version__
''1.11.1''
>>> def three():
... return 0.5*(numpy.sign(array) + 1)
...
>>> timeit.timeit(three, number=100000)
0.313539981842041