你遇到的错误有两个部分： --- ### ❌ 错误 1：`SyntaxWarning: invalid escape sequence '\D'` ```bash plt.xlabel("步长 $ \Delta x $ (m)") ``` #### 🔍 原因： Python 字符串中反斜杠 `\` 是转义字符。`\D` 并不是一个合法的转义序列（比如 `\n`, `\t` 才是），虽然在某些上下文中会被容忍，但在正则表达式或编译警告中会提示警告。 尽管这里你在写 LaTeX 数学模式，Matplotlib 能正确解析 `$ \Delta x $`，但 Python 解释器在处理字符串时仍然会先检查 `\` 是否构成有效转义 —— 这里 `\D` 不是，所以发出 **SyntaxWarning**。 #### ✅ 解决方法： 使用原始字符串（raw string），在引号前加 `r`，告诉 Python 不要解释反斜杠： ```python plt.xlabel(r"步长 $ \Delta x $ (m)") ``` ✅ 正确写法： ```python plt.xlabel(r"步长 $\Delta x$ (m)") # 推荐：LaTeX 在 $...$ 内部即可 ``` > ⚠️ 注意：还可以进一步优化为 `r"$\Delta x$ (m)"`，去掉多余空格。 --- ### ❌ 错误 2：`IndexError: boolean index did not match indexed array along axis 0` ```bash IndexError: boolean index did not match indexed array along axis 0; size of axis is 6 but size of corresponding boolean axis is 7 ``` #### 🔍 出错代码： ```python valid = ~np.isnan(T_num) l2_err = np.sqrt(np.mean((T_num[valid] - T_true[valid])**2)) ``` #### 🧠 根本原因： 数组长度不匹配！ - `T_num` 是从 `T_direct`、`T_jacobi` 等拼接得到的完整温度场（例如 `[40, ..., 200]`） - `T_analytical` 是在整个 `x_full` 上计算的解析解 - 但是当 `dx=2` 时，`nx = 10/dx + 1 = 6` → `x_full` 有 6 个点 - 而 `T_inner_direct` 是 `nx-1=5` 个内点？或者其它拼接方式导致最终 `T_direct` 长度 ≠ `T_analytical` 👉 最常见的问题是：**`T_direct`、`T_jacobi` 等数组与 `T_analytical` 的长度不一致！** --- ### ✅ 解决方案 修改 `compute_error` 函数，增加长度一致性检查和调试信息： #### ✅ 修复后的 `compute_error` 函数： ```python def compute_error(T_num, T_true): if T_num is None: return np.nan, np.nan # 确保两个数组长度相同 if len(T_num) != len(T_true): print(f"⚠️ 数组长度不匹配: T_num={len(T_num)}, T_true={len(T_true)}") min_len = min(len(T_num), len(T_true)) T_num = T_num[:min_len] T_true = T_true[:min_len] valid = ~np.isnan(T_num) # 再次确保布尔索引和数组维度匹配 valid = valid & (~np.isnan(T_true[:len(valid)])) if np.sum(valid) == 0: return np.nan, np.nan l2_err = np.sqrt(np.mean((T_num[valid] - T_true[valid])**2)) max_err = np.max(np.abs(T_num[valid] - T_true[valid])) return l2_err, max_err ``` --- ### ✅ 同时修复主函数中的拼接逻辑（关键！） 确保所有数值解都和 `x_full` 长度一致。 #### 修改 `solve_heat_equation` 中构建 `x_full` 和内部节点的方式： ```python nx = int(10 / dx) + 1 # 应该正好划分 [0,10] x_full = np.linspace(0, 10, nx) # 自动均匀分布，避免浮点误差 ``` 然后确认： ```python A, b = build_finite_difference_matrix(nx, dx) ``` 生成的是 `(nx-1, nx-1)` 的矩阵（只解内部点），然后恢复时加上边界： ```python T_direct = np.concatenate(([Tb], T_inner_direct, [Tc])) ``` ✅ 所以必须保证： - `len(T_inner_direct) == nx - 2` - `len(T_direct) == nx` 否则就会和 `x_full`（长度为 nx）不一致。 --- ### 🔧 如何排查？ 在出错的地方加入打印语句： ```python # 在 compute_error 前加： print(f"T_num shape: {len(T_num)}, T_true shape: {len(T_true)}") ``` 或直接在循环中添加调试： ```python for dx in dx_values: print(f"\nProcessing dx = {dx}") nx = int(10 / dx) + 1 print(f"Expected nx = {nx}") x_full = np.linspace(0, 10, nx) print(f"x_full length: {len(x_full)}") ... ``` --- ### ✅ 最终建议修复步骤总结： #### ✅ Step 1：修正 xlabel 使用 raw string ```python plt.xlabel(r"$\Delta x$ (m)") ``` #### ✅ Step 2：修复 `compute_error` 函数防错处理 ```python def compute_error(T_num, T_true): if T_num is None or len(T_num) == 0: return np.nan, np.nan if len(T_num) != len(T_true): min_len = min(len(T_num), len(T_true)) T_num = T_num[:min_len] T_true = T_true[:min_len] valid = ~(np.isnan(T_num) | np.isnan(T_true)) if not np.any(valid): return np.nan, np.nan diff = (T_num[valid] - T_true[valid]) l2_err = np.sqrt(np.mean(diff**2)) max_err = np.max(np.abs(diff)) return l2_err, max_err ``` #### ✅ Step 3：确保所有数值解长度等于 nx ```python # 示例：正确拼接 T_direct = np.hstack([40, T_inner_direct, 200]) # 或 concatenate assert len(T_direct) == len(x_full), f"Length mismatch: {len(T_direct)} vs {len(x_full)}" ``` > 💡 提示：使用 `np.linspace(0, 10, int(10/dx)+1, endpoint=True)` 更可靠地控制点数。 --- ### ✅ 补充建议：避免浮点除法误差 ```python dx_values = [2.0, 1.0, 0.5, 0.05] # 改进为更安全的 nx 计算 nx = int(round(10.0 / dx)) + 1 ``` 因为 `10/0.5=20.0` 没问题，但 `10/0.05` 可能是 `199.99999` → `int()` 截断成 199！ ✅ 更好写法： ```python nx = int(round(10.0 / dx)) + 1 x_full = np.linspace(0, 10, nx) ``` --- ### ✅ 总结修复清单 | 问题 | 修复方式 | |------|---------| | `\D` 警告 | 改用 `r"$\Delta x$"` | | 数组长度不匹配 | 在 `compute_error` 中裁剪或断言 | | `nx` 计算不准 | 用 `round(10/dx)` 再取整 | | 拼接后长度错误 | 用 `concatenate` 显式构造，并加 `assert` | --- ✅ 修复后代码就能正常运行并绘图了！ 如果你希望我输出一个 **完全修复后的 `.py` 文件版本**，也可以告诉我，我可以为你生成一个无错可运行版。