numpy.meshgrid#

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

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 N 维网格上 N 维标量/向量场的矢量化评估创建 N 维坐标数组。

版本 1.9 中已更改: 允许 1-D 和 0-D 案例。

参数:
x1, x2,…, xnarray_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。有关更多详细信息,请参阅注释。

版本 1.7.0 中的新功能。

sparsebool, 可选

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。当所有坐标都用于表达式时,广播仍然会导致完全维度的结果数组。

默认为 False。

版本 1.7.0 中的新功能。

copybool, 可选

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。

版本 1.7.0 中的新功能。

返回值:
X1, X2,…, XNndarray 的元组

对于长度为 Ni=len(xi) 的向量 x1x2、…、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 x1 的第一维、x2 的第二维,依此类推。

另请参阅

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。给出字符串 '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,输出的形状为 'xy' 索引的 (N, M) 和 'ij' 索引的 (M, N)。在输入长度为 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 案例中,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 的结果是坐标网格

>>> import matplotlib.pyplot as plt
>>> plt.plot(xv, yv, marker='o', color='k', linestyle='none')
>>> plt.show()
../../_images/numpy-meshgrid-1_00_00.png

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 非常适合在网格上评估函数。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()
../../_images/numpy-meshgrid-1_01_00.png