Python numpy meshgrid用法及代码示例

本文简要介绍 python 语言中 numpy.meshgrid 的用法。

用法:

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

从坐标向量返回坐标矩阵。

在给定一维坐标数组 x1、x2、...、xn 的情况下，制作 N-D 坐标数组，用于在 N-D 网格上对 N-D 标量/矢量场进行矢量化评估。

参数：

x1, x2,…, xn： array_like

表示网格坐标的一维数组。

indexing： {‘xy’, ‘ij’}，可选

输出的笛卡尔(‘xy’，默认)或矩阵(‘ij’)索引。有关详细信息，请参阅注释。

sparse： 布尔型，可选

如果为 True，则返回维度坐标数组的形状i从减少(N1, ..., Ni, ... Nn)到(1, ..., 1, Ni, 1, ..., 1).这些稀疏坐标网格旨在与广播.在表达式中使用所有坐标时，广播仍会导致 fully-dimensonal 结果数组。

默认为假。

copy： 布尔型，可选

如果为 False，则返回原始数组的视图以节省内存。默认为真。请注意，sparse=False, copy=False 可能会返回不连续的数组。此外，广播数组的不止一个元素可以指代单个存储器位置。如果您需要写入数组，请先制作副本。

返回：

X1, X2,…, XN： ndarray

对于向量x1,x2,..., ‘xn’ 有长度Ni=len(xi)， 返回(N1, N2, N3,...Nn)如果 indexing='ij' 或(N2, N1, N3,...Nn)如果 indexing='xy' 的元素为xi重复以沿第一维填充矩阵x1，第二个为x2等等。

注意：

此函数通过 indexing 关键字参数支持两种索引约定。给出字符串 ‘ij’ 返回一个带有矩阵索引的网格，而 ‘xy’ 返回一个带有笛卡尔索引的网格。在长度为 M 和 N 的输入的二维情况下，‘xy’ 索引的输出形状为 (N, M)，‘ij’ 索引的输出形状为 (M, N)。在输入长度为 M、N 和 P 的 3-D 情况下，‘xy’ 索引的输出形状为 (N, M, P)，‘ij’ 索引的输出形状为 (M, N, P)。以下代码片段说明了差异：

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 的情况下，索引和稀疏关键字不起作用。

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 对于评估网格上的函数非常有用。如果函数依赖于所有坐标，您可以使用参数sparse=True 来节省内存和计算时间。

>>> x = np.linspace(-5, 5, 101)
>>> y = np.linspace(-5, 5, 101)
>>> # full coorindate 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

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