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。

给定一维坐标数组 x1, x2,…, xn，为在 N 维网格上对 N 维标量/向量场的矢量化评估创建 N 维坐标数组。

参数：

x1, x2,…, xnarray_like

表示网格坐标的一维数组。

indexing{‘xy’, ‘ij’}, optional

输出的笛卡尔 (‘xy’, 默认) 或矩阵 (‘ij’) 索引。有关更多详细信息，请参见注释。

sparsebool, optional

如果为 True，则维度 *i* 的返回坐标数组的形状将从 (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。当所有坐标都用在表达式中时，广播仍然会产生一个全维度的结果数组。

默认为 False。

copybool, optional

如果为 False，则返回对原始数组的视图以节省内存。默认为 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单个内存位置。如果您需要写入数组，请先复制。

返回：

X1, X2,…, XNndarray 元组

对于长度为 Ni=len(xi) 的向量 x1, x2,…, xn，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 的元素重复以填充沿第一维的矩阵（对于 x1），第二维（对于 x2），依此类推。

另请参见

mgrid

使用索引表示法构造多维“网格”。

ogrid

使用索引表示法构造开放的多维“网格”。

如何索引 ndarray

注释

此函数通过 indexing 关键字参数支持两种索引约定。“ij”字符串返回具有矩阵索引的网格，而“xy”返回具有笛卡尔索引的网格。在长度为 M 和 N 的二维情况下，输出的形状为 ‘xy’ 索引的 (N, M) 和 ‘ij’ 索引的 (M, N)。在长度为 M、N 和 P 的三维情况下，输出的形状为 ‘xy’ 索引的 (N, M, P) 和 ‘ij’ 索引的 (M, N, P)。以下代码片段说明了这种区别

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 维和 0 维情况下，indexing 和 sparse 关键字无效。

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()

您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 对于在网格上评估函数非常有用。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()