numpy.meshgrid

numpy.meshgrid(*xi, copy=True, sparse=False, indexing='xy')[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: Разрешены 1-D и 0-D случаи.

Параметры

x1, x2,…, xnarray_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.

sparsebool, optional

Если True, возвращается разреженная сетка для экономии памяти. По умолчанию False.

Добавлена в версии 1.7.0.

copybool, 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 одного элемента широковещательного массива может ссылаться на одно место в памяти. Если вам нужно записать в массивы, сначала сделайте копии.

Добавлена в версии 1.7.0.

Возвращает

X1, X2,…, XNndarray

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

См. также

mgrid

Конструирование многомерной «сетки» с использованием индексной нотации.

ogrid

Конструирование открытой многомерной «сетки» с использованием индексной нотации.

Примечания

Эта функция поддерживает обе конвенции индексации через параметр indexing. Передача строки ‘ij’ возвращает сетку с матричной индексацией, а ‘xy’ — с декартовой индексацией. В 2-мерном случае с входными данными длиной M и N, выходные данные имеют форму (N, M) для индексации ‘xy’ и (M, N) для индексации ‘ij’. В 3-мерном случае с входными данными длиной M, N и P, выходные данные имеют форму (N, M, P) для индексации ‘xy’ и (M, N, P) для индексации ‘ij’. Разница проиллюстрирована следующей частью 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 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 полезна 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.axis('scaled')
>>> plt.show()