numpy.meshgrid

numpy.meshgrid(*xi, copy=True, sparse=False, indexing='xy')

从坐标向量返回坐标矩阵的元组.

创建 N-D 坐标数组,用于在一维坐标数组 x1, x2, …, xn 上对 N-D 标量/矢量场进行矢量化评估.

在 1.9 版本发生变更: 允许1-D和0-D情况.

参数:

x1, x2,…, xnarray_like

表示网格坐标的1-D数组.

indexing{‘xy’, ‘ij’}, 可选

输出可以是笛卡尔 (‘xy’, 默认) 或矩阵 (‘ij’) 索引.更多细节请参见注释.

在 1.7.0 版本加入.

sparsebool, 可选

如果为真,则返回的第 i 维坐标数组的形状从 (N1, ..., Ni, ... Nn) 减少到 (1, ..., 1, Ni, 1, ..., 1).这些稀疏坐标网格旨在与 广播 一起使用.当所有坐标在表达式中使用时,广播仍然会导致一个完全维度的结果数组.

默认是 False.

在 1.7.0 版本加入.

copybool, 可选

如果为 False,则返回原始数组的视图以节省内存.默认值为 True.请注意,``sparse=False, copy=False`` 可能会返回非连续数组.此外,广播数组的多个元素可能引用同一内存位置.如果需要写入数组,请先进行复制.

在 1.7.0 版本加入.

返回:

X1, X2,…, XNndarrays 的元组

对于向量 x1, x2,…, xn 且长度为 Ni=len(xi),如果 indexing=’ij’ 则返回形状为 (N1, N2, N3,..., Nn) 的数组,如果 indexing=’xy’ 则返回形状为 (N2, N1, N3,..., Nn) 的数组,其中 xi 的元素被重复以填充矩阵,沿第一个维度填充 x1,第二个维度填充 x2,依此类推.

参见

mgrid

使用索引表示法构造多维”meshgrid”.

ogrid

使用索引表示法构造一个开放的多维”网格”.

如何索引

备注

此函数通过 indexing 关键字参数支持两种索引约定.提供字符串 ‘ij’ 返回一个使用矩阵索引的网格,而 ‘xy’ 返回一个使用笛卡尔索引的网格.在 2-D 情况下,输入长度为 M 和 N 时,输出形状为 (N, M) 用于 ‘xy’ 索引,(M, N) 用于 ‘ij’ 索引.在 3-D 情况下,输入长度为 M、N 和 P 时,输出形状为 (N, M, P) 用于 ‘xy’ 索引,(M, N, P) 用于 ‘ij’ 索引.差异通过以下代码片段说明:

xv, yv = np.meshgrid(x, y, indexing='ij')
for i in range(nx):
    for j in range(ny):
        # treat xv[i,j], yv[i,j]

xv, yv = np.meshgrid(x, y, indexing='xy')
for i in range(nx):
    for j in range(ny):
        # treat xv[j,i], yv[j,i]

在1-D和0-D情况下,索引和稀疏关键字没有效果.

示例

>>> import numpy as np
>>> nx, ny = (3, 2)
>>> x = np.linspace(0, 1, nx)
>>> y = np.linspace(0, 1, ny)
>>> xv, yv = np.meshgrid(x, y)
>>> xv
array([[0. , 0.5, 1. ],
       [0. , 0.5, 1. ]])
>>> yv
array([[0.,  0.,  0.],
       [1.,  1.,  1.]])

meshgrid 的结果是一个坐标网格:

>>> import matplotlib.pyplot as plt
>>> plt.plot(xv, yv, marker='o', color='k', linestyle='none')
>>> plt.show()

你可以创建稀疏输出数组以节省内存和计算时间.

>>> xv, yv = np.meshgrid(x, y, sparse=True)
>>> xv
array([[0. ,  0.5,  1. ]])
>>> yv
array([[0.],
       [1.]])

meshgrid 在网格上评估函数时非常有用.如果函数依赖于所有坐标,则可以使用密集和稀疏输出.

>>> x = np.linspace(-5, 5, 101)
>>> y = np.linspace(-5, 5, 101)
>>> # full coordinate arrays
>>> xx, yy = np.meshgrid(x, y)
>>> zz = np.sqrt(xx**2 + yy**2)
>>> xx.shape, yy.shape, zz.shape
((101, 101), (101, 101), (101, 101))
>>> # sparse coordinate arrays
>>> xs, ys = np.meshgrid(x, y, sparse=True)
>>> zs = np.sqrt(xs**2 + ys**2)
>>> xs.shape, ys.shape, zs.shape
((1, 101), (101, 1), (101, 101))
>>> np.array_equal(zz, zs)
True

>>> h = plt.contourf(x, y, zs)
>>> plt.axis('scaled')
>>> plt.colorbar()
>>> plt.show()