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()