Python numpy meshgrid用法及代碼示例

本文簡要介紹 python 語言中 numpy.meshgrid 的用法。

用法:

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

從坐標向量返回坐標矩陣。

在給定一維坐標數組 x1、x2、...、xn 的情況下，製作 N-D 坐標數組，用於在 N-D 網格上對 N-D 標量/矢量場進行矢量化評估。

參數：

x1, x2,…, xn： array_like

表示網格坐標的一維數組。

indexing： {‘xy’, ‘ij’}，可選

輸出的笛卡爾(‘xy’，默認)或矩陣(‘ij’)索引。有關詳細信息，請參閱注釋。

sparse： 布爾型，可選

如果為 True，則返回維度坐標數組的形狀i從減少(N1, ..., Ni, ... Nn)到(1, ..., 1, Ni, 1, ..., 1).這些稀疏坐標網格旨在與廣播.在表達式中使用所有坐標時，廣播仍會導致 fully-dimensonal 結果數組。

默認為假。

copy： 布爾型，可選

如果為 False，則返回原始數組的視圖以節省內存。默認為真。請注意，sparse=False, copy=False 可能會返回不連續的數組。此外，廣播數組的不止一個元素可以指代單個存儲器位置。如果您需要寫入數組，請先製作副本。

返回：

X1, X2,…, XN： ndarray

對於向量x1,x2,..., ‘xn’ 有長度Ni=len(xi)， 返回(N1, N2, N3,...Nn)如果 indexing='ij' 或(N2, N1, N3,...Nn)如果 indexing='xy' 的元素為xi重複以沿第一維填充矩陣x1，第二個為x2等等。

注意：

此函數通過 indexing 關鍵字參數支持兩種索引約定。給出字符串 ‘ij’ 返回一個帶有矩陣索引的網格，而 ‘xy’ 返回一個帶有笛卡爾索引的網格。在長度為 M 和 N 的輸入的二維情況下，‘xy’ 索引的輸出形狀為 (N, M)，‘ij’ 索引的輸出形狀為 (M, N)。在輸入長度為 M、N 和 P 的 3-D 情況下，‘xy’ 索引的輸出形狀為 (N, M, P)，‘ij’ 索引的輸出形狀為 (M, N, P)。以下代碼片段說明了差異：

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 的情況下，索引和稀疏關鍵字不起作用。

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 對於評估網格上的函數非常有用。如果函數依賴於所有坐標，您可以使用參數sparse=True 來節省內存和計算時間。

>>> 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()