numpy.meshgrid

numpy.meshgrid(*xi, **kwargs) [source]

Возвращает матрицы координат из векторов координат.

Создаёт N-мерные массивы координат для векторизованных вычислений N-мерных скалярных/векторных полей на N-мерных сетках, заданных одномерными массивами координат x1, x2,..., xn.

Изменено в версии 1.9: Допускаются 1-D и 0-D случаи.

Параметры:

x1, x2,..., xn : array_like Одномерные массивы, представляющие координаты сетки. indexing : {‘xy’, ‘ij’}, optional Декартовы (‘xy’, по умолчанию) или матричные (‘ij’) индексы вывода. Подробнее см. Примечания. Добавлена в версии 1.7.0. sparse : bool, optional Если True, возвращается разреженная сетка для экономии памяти. По умолчанию False. Добавлена в версии 1.7.0. copy : bool, optional Если False, возвращаются представления исходных массивов для экономии памяти. По умолчанию True. Обратите внимание, что sparse=False, copy=False вероятно, вернёт несмежные массивы. Кроме того, более чем один элемент широковещательного массива может ссылаться на одно место в памяти. Если вам нужно записать в массивы, создайте копии предварительно. Добавлена в версии 1.7.0.

Возвращает:

X1, X2,..., XN : ndarray Для векторов x1, x2,..., ‘xn’ с длинами Ni=len(xi), возвращает массивы формы (N1, N2, N3,...Nn), если indexing=’ij’, или массивы формы (N2, N1, N3,...Nn), если indexing=’xy’, с элементами xi , повторяющимися для заполнения матрицы по первому измерению для x1, по второму для x2 и так далее.

См. также

index_tricks.mgrid

Конструирует многомерную «сетку» с использованием индексной нотации.

index_tricks.ogrid

Конструирует открытую многомерную «сетку» с использованием индексной нотации.

Примечания

Эта функция поддерживает обе схемы индексации через ключевое слово indexing. Если строка ‘ij’, возвращается сетка с матричной индексацией, а ‘xy’ возвращает сетку с декартовой индексацией. В двумерном случае с входами длиной M и N выходные данные имеют форму (N, M) для индексации ‘xy’ и (M, N) для индексации ‘ij’. В трёхмерном случае с входами длиной M, N и P выходные данные имеют форму (N, M, P) для индексации ‘xy’ и (M, N, P) для индексации ‘ij’. Разница проиллюстрирована в следующем фрагменте кода:

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]

xv, 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]

В 1-D и 0-D случаях ключевые слова indexing и sparse не влияют.

Примеры

>>> 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 очень полезно для оценки функций на сетке.

>>> 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)