numpy.meshgrid
numpy.meshgrid(*xi, copy=True, sparse=False, indexing='xy')[source]
从坐标向量返回坐标矩阵。
给定一维坐标数组x1,x2,…,xn，制作N-D坐标数组以对N-D网格上的N-D标量/矢量场进行矢量化评估。
Changed in version 1.9: 1-D and 0-D cases are allowed.
参数 ： | x1, x2,…, xn ：array_like 表示网格坐标的一维数组。 indexing ： 笛卡尔（默认为 有关更多详细信息，请参见注释。 1.7.0版中的新功能。 sparse ： 如果为 默认值为 copy ： 如果为 默认值为
此外，广播阵列的一个以上的元素可以引用单个存储位置。 如果需要写入阵列，请先进行复制。 1.7.0版中的新功能。 |
返回值 ： | X1, X2,…, XN ：ndarray 对于长度为 如果返回
如果 且重复xi的元素以沿x1的第一个维度填充矩阵， 第二个用于x2，依此类推。 |
Notes
此函数通过indexing关键字参数支持两种索引约定。 赋予字符串'ij'将返回具有矩阵索引的网格，而'xy'将返回具有笛卡尔索引的网格。 在输入长度为M和N的二维情况下，对于'xy'索引，输出的形状为（N，M），对于'ij'索引，输出的形状为（M，N）。 在输入长度为M，N和P的3-D情况下，对于“ xy”索引，输出的形状为（N，M，P），对于'ij'索引输出的形状为（M，N，P）。 以下代码片段说明了这种差异：
xv, yv = np.meshgrid(x, y, sparse=False, indexing='ij')
for i in range(nx):
for j in range(ny):
# treat xv[i,j], yv[i,j]
\nxv, yv = np.meshgrid(x, y, sparse=False, 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，索引和稀疏关键字无效
例子
>>> 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.]])
>>> xv, yv = np.meshgrid(x, y, sparse=True) # make sparse output arrays
>>> xv
array([[0. , 0.5, 1. ]])
>>> yv
array([[0.],
[1.]])meshgrid对于评估网格上的功能非常有用
>>> import matplotlib.pyplot as plt >>> x = np.arange(-5, 5, 0.1) >>> y = np.arange(-5, 5, 0.1) >>> xx, yy = np.meshgrid(x, y, sparse=True) >>> z = np.sin(xx**2 + yy**2) / (xx**2 + yy**2) >>> h = plt.contourf(x,y,z) >>> plt.show()