Python3 - ошибка при использовании matplotlib.pyplot.fill_between

Question

Я пишу код статистики тестов, основанный на количестве образцов.Я рассчитываю доверительные поля для разного количества образцов и так далее.Я написал код для визуализации полей ошибок как функции количества образцов, и теперь я хотел бы заполнить область между графиками.К сожалению, когда я вызываю функцию, я получаю следующую ошибку:

" TypeError: ufunc 'isfinite' не поддерживается для типов ввода, и входы не могут быть безопасно приведены к любым поддерживаемым типам согласнок правилу приведения "safe""

Вот весь мой код:

import matplotlib
#matplotlib.use('Qt4Agg')
import matplotlib.pyplot as plt
import numpy as np
import math as m
from scipy.stats import t
from scipy.stats import norm
from matplotlib.ticker import MaxNLocator

# Confidence Levels
confidence_level = 0.95
# Number of Tested Samples
samples = np.linspace(2.0,20.0,19.0) # test samples
# True Mean
test_true_mean = 20.0 # krad (GomSpace TID level requirement)
# Standard Deviations
n_bins = 21
test_sigma1 = np.std(np.linspace(10.0,30.0,n_bins),ddof=1) # krad [10.0,30.0] interval
test_sigma2 = np.std(np.linspace(15.0,25.0,n_bins),ddof=1) # krad [15.0,25.0] interval
test_sigma3 = np.std(np.linspace(17.5,22.5,n_bins),ddof=1) # krad [17.5,22.5] interval
test_sigma = np.array([test_sigma1,test_sigma2,test_sigma3])
# Statistical Loop
stat_loop = 100
# Arrays creation
sim_rand_var = np.zeros([test_sigma.size,samples.size,stat_loop],object)
test_samples = np.zeros([test_sigma.size,samples.size,stat_loop],object)
test_samples_mean = np.zeros([test_sigma.size,samples.size,stat_loop],object)
test_samples_stdev = np.zeros([test_sigma.size,samples.size,stat_loop],object)
delta = np.zeros([test_sigma.size,samples.size,stat_loop],object)
error = np.zeros([test_sigma.size,samples.size,stat_loop],object)
lower_limit  = np.zeros([test_sigma.size,samples.size,stat_loop],object)
higher_limit = np.zeros([test_sigma.size,samples.size,stat_loop],object)
Ct = np.zeros(samples.size,object)
test_samples_mean_mean = np.zeros([test_sigma.size,samples.size],object)
delta_mean = np.zeros([test_sigma.size,samples.size],object)
lower_limit_mean  = np.zeros([test_sigma.size,samples.size],object)
higher_limit_mean = np.zeros([test_sigma.size,samples.size],object)
error_mean = np.zeros([test_sigma.size,samples.size],object)

#print("Standard Deviation [krad]    Test Samples (2 to 20)    Set         Error (%)")
#print("-------------------------    ----------------------    --------    ---------")

for k in range(0,test_sigma.size):
    for l in range(0,samples.size):
        for m in range(0,stat_loop):
            # Random Gaussian Numbers Generation
            sim_rand_var[k][l][m] = np.random.normal(test_true_mean,test_sigma[k],int(samples[l]))
            # Samples Mean and Standard Deviation
            test_samples_mean[k][l][m]  = np.mean(sim_rand_var[k][l][m])
            test_samples_stdev[k][l][m] = np.std(sim_rand_var[k][l][m],ddof=1)
            # Student-t Critical Values
            Ct[l] = t.ppf(confidence_level,int(samples[l])-1)
            # Deviation from the Sample Mean
            delta[k][l][m] = Ct[l]*test_samples_stdev[k][l][m]/np.sqrt(samples[l])
            # Error Lower and Higher Margins
            lower_limit[k][l][m]  = test_samples_mean[k][l][m] - delta[k][l][m]
            if lower_limit[k][l][m] < 0.0:
                lower_limit[k][l][m] = 0.0
            higher_limit[k][l][m] = test_samples_mean[k][l][m] + delta[k][l][m]
            # Test Global Error
            error[k][l][m] = 100*delta[k][l][m]/test_samples_mean[k][l][m]
            #print(error[k][l][m])
            #input = "%.3f                         %s                        %s          %.3f" % (test_sigma[k],samples[l],int(m),error[k][l][m])
            #print(input)

#print("errors_mean:")
for k in range(0,test_sigma.size):
    for l in range(0,samples.size):
        test_samples_mean_mean[k][l] = np.mean(test_samples_mean[k][l][:])
        delta_mean[k][l]             = np.mean(delta[k][l][:])
        lower_limit_mean[k][l]       = np.mean(lower_limit[k][l][:])
        higher_limit_mean[k][l]      = np.mean(higher_limit[k][l][:])
        error_mean[k][l]             = np.mean(error[k][l][:])

print(type(lower_limit_mean[0,1]))

for k in range(0,test_sigma.size):
    ax = plt.figure().gca()
    #plt.figure(k+1)
    plt.errorbar(samples,test_samples_mean_mean[k,:],yerr=delta_mean[k,:],fmt='.k')#uplims=True,lolims=True
    plt.hlines(xmin=0, xmax=25,y=test_true_mean,linewidth=2.0,color='r')
    plt.xlim(1,21)
    plt.ylim(test_true_mean-3*test_sigma[0],test_true_mean+3*test_sigma[0])
    ax.set_xticks(np.arange(len(samples))+2)
    plt.grid(color='gray',linestyle='--',linewidth=0.5)
    plt.xlabel('Test Samples')
    plt.ylabel('Confidence Margin [krad]')
    plt.suptitle('Confidence Margins Distribution (%s%%)'%(100*confidence_level),fontsize=14)
    plt.title('Population $\\mu$ = %0.1f krad, $\\sigma$ = %0.1f krad'%(test_true_mean,test_sigma[k]),fontsize=14)

    ax = plt.figure().gca()
    plt.plot(samples,higher_limit_mean[k,:],'b',linewidth=3.0)
    plt.plot(samples,lower_limit_mean[k,:],'r',linewidth=3.0)
    plt.hlines(xmin=0, xmax=25,y=test_true_mean,linewidth=2.0,color='k')
    plt.fill_between(samples,higher_limit_mean[k,:],lower_limit_mean[k,:])#,color='g')#,alpha=.5)
    plt.xlim(1,21)
    plt.ylim(test_true_mean-3*test_sigma[0],test_true_mean+3*test_sigma[0])
    ax.set_xticks(np.arange(len(samples))+2)
    plt.grid(color='gray',linestyle='--',linewidth=0.5)
plt.show()

Функция matplotlib.pyplot.fill_between вызывается в конце кода.Я уже проверил типы переменных, и все они одинаковы ().

Есть хорошие мысли о том, где ошибка?

Answer 1

Вы инициализировали все свои массивы, чтобы иметь dtype = object.Я не уверен, почему вы это сделали, но функция fill_between не справляется с этим.

Решение было бы удалить dtype=object.Этого достаточно для двух массивов, которые вы в конечном итоге используете в fill_between (хотя я не уверен, что вам вообще нужны массивы объектов ...):

lower_limit_mean  = np.zeros([test_sigma.size, samples.size])
higher_limit_mean = np.zeros([test_sigma.size, samples.size])

# rest of code

plt.fill_between(samples, higher_limit_mean[k,:], lower_limit_mean[k,:])

Один из полученных результатовГрафики выглядят так: