numpy.meshgrid

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

Возвращает матрицы координат из векторов координат.

Создаёт N-мерные массивы координат для векторных вычислений N-мерных скалярных/векторных полей по N-мерным сеткам, заданных одномерными массивами координат x1, x2,…, xn.

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

Параметры:

x1, x2,…, xn : array_like Одномерные массивы, представляющие координаты сетки. indexing : {‘xy’, ‘ij’}, optional Индексация декартовых (‘xy’, по умолчанию) или матричных (‘ij’) координат на выходе. Дополнительные сведения см. в примечаниях. Введено в версии 1.7.0. sparse : bool, optional Если True, возвращается разреженная сетка для экономии памяти. По умолчанию False. Введено в версии 1.7.0. copy : bool, optional Если False, возвращается представление исходных массивов для экономии памяти. По умолчанию True. Обратите внимание, что sparse=False, copy=False, скорее всего, вернёт несмежные массивы. Кроме того, более чем один элемент широковещательного массива может ссылаться на одно расположение в памяти. Если вам нужно записать в массивы, сделайте копии сначала. Введено в версии 1.7.0.

Возвращает:

X1, X2,…, XN : ndarray Для векторов x1, x2,…, ‘xn’ длиной 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 повторяется для заполнения матрицы по первому измерению для x1, второму для x2 и так далее.

См. также

index_tricks.mgrid

Построение многомерной «сетки» с использованием индексной нотации.

index_tricks.ogrid

Построение открытой многомерной «сетки» с использованием индексной нотации.

Примечания

Эта функция поддерживает обе системы индексации через параметр indexing. Если задано строковое значение ‘ij’, возвращается сетка с матричной индексацией, а ‘xy’ — с декартовой индексацией. В двумерном случае с входными данными длины M и N выходные данные имеют форму (N, M) для индексации ‘xy’ и (M, N) для индексации ‘ij’. В трёхмерном случае с входными данными длины M, N и P выходные данные имеют форму (N, M, P) для индексации ‘xy’ и (M, N, P) для индексации ‘ij’. Разница иллюстрируется следующим фрагментом 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 параметры indexing и sparse не имеют эффекта.

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 полезен для оценки функций на сетке.

>>> import matplotlib.pyplot as plt
>>> 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)
>>> plt.show()