【高等数学】python绘制常见的函数图像 | 您所在的位置:网站首页 › python 画函数 导数 › 【高等数学】python绘制常见的函数图像 |
背景
最近学高数,了解了许多函数,但是有些比较抽象。所有借助python进行可视化。 y=sin(1/x) from matplotlib import pyplot as plt import numpy as np import math x=list(np.arange(-40,40,0.1))#此处可调整自变量取值范围,以便选择合适的观察尺度 y=[] for i in range(len(x)): y.append(math.sin(1/x[i])) plt.plot(x,y) plt.show()x趋向于0:y=sin(1/x)函数。实际函数值是在-1和1之间来回震荡,越靠近0频率越高,但是不会趋近于0,因为是一直在越来越快地振荡,永不停止。 x趋向于无穷,1/x趋向于0,sinx趋向于0,y趋向于0 a n = ( − 1 ) n / n a_{n}=(-1)^{n}/n an=(−1)n/n,数列 from matplotlib import pyplot as plt import numpy as np def deal(a,b): x1=list(np.arange(a,b,1))#此处可调整自变量取值范围,以便选择合适的观察尺度 try: x1.remove(0) except: pass x1=list(map(float,x1)) y=[] for i in range(len(x1)): y.append(((-1)**x1[i])/x1[i]) plt.plot(x1,y,color='lightseagreen') deal(-100,0) deal(0,100) plt.show()y = ( − 1 ) n / n y=(-1)^{n}/n y=(−1)n/n,随着n趋向于1,向1逼近。 随着n趋向于无穷,随着奇偶数,在正负波动中趋近于0 y = [ 1 / x ] ∗ x y=[1/x]*x y=[1/x]∗x from matplotlib import pyplot as plt import numpy as np x=list(np.arange(-2,2,0.005))#此处可调整自变量取值范围,以便选择合适的观察尺度 y=[] for i in range(len(x)): y.append(int(1/x[i])*x[i]) plt.plot(x,y) plt.show()当x>=1时,y=0; 当x0,f(x)->在(-oo, oo)之间震荡 x->无穷,f(x)->0 y.append((1/(x1[i]**2))*(math.sin(1/x1[i]))) y = n + 1 / n 0.5 y=n+1/n^{0.5} y=n+1/n0.5一个趋向于无穷,一个趋向于0,但是两者都大于0,加起来趋向于无穷。 y.append(x1[i]+(1/(x1[i]**0.5))) y = x ∗ s i n ( 1 / x ) y=x*sin(1/x) y=x∗sin(1/x)趋向于无穷时,1/x趋向于0,f(x)趋向于0 趋向于0时,f(x)在(-oo, oo)之间震荡,无极限 y.append((1/(x1[i]))*(math.sin(1/x1[i]))) 基本极限函数 y = s i n ( x ) / x y=sin(x)/x y=sin(x)/x理解为,两者是同阶无穷小,递减速度相似,x->0,f(x)->1 分母不断变大,趋向于0;x->无穷,f(x)->0 #求极限 import sympy from sympy import oo x = sympy.symbols('x') f=sympy.sin(x)/(x**2) print(sympy.limit(f,x,oo)) print(sympy.limit(f,x,0)) #绘图 y.append((math.sin(x1[i]))/x1[i]) y = ( 1 + x ) 1 / x y=(1+x)^{1/x} y=(1+x)1/xx->0,f(x)->e x->无穷,f(x)->1 y = ( 1 + 1 / x ) x y=(1+1/x)^{x} y=(1+1/x)xx->0,f(x)->1 x->无穷,f(x)->e y = ( n ) 1 / n y=(n)^{1/n} y=(n)1/nn->0,1/n->无穷,f(n)->0 n->无穷,1/n->0,f(n)->1 n不能为负数,如果1/n为偶数就会变正数 新开通了本人的公众号,欢迎关注:燕南路GISer ,专注GIS干货分享,不定期更新。 主要兴趣:GIS、时空数据挖掘、python、机器学习深度学习 提问、求资源等都可在公众号后台留言 CSDN的部分内容会重写再搬迁到公众号,欢迎关注! |
CopyRight 2018-2019 实验室设备网 版权所有 |