python meshgrid_Python numpy.meshgrid函数方法的使用
numpy.meshgrid
numpy.meshgrid(*xi, copy=True, sparse=False, indexing='xy')[source]
从坐标向量返回坐标矩阵。
给定一维坐标数组x1,x2,…,xn,制作N-D坐标数组以对N-D网格上的N-D标量/矢量场进行矢量化评估。
Changed in version 1.9: 1-D and 0-D cases are allowed.参数 :x1, x2,…, xn :array_like
表示网格坐标的一维数组。
indexing :{‘xy’, ‘ij’}, 可选
笛卡尔(默认为'xy')或矩阵('ij')的输出索引。
有关更多详细信息,请参见注释。
1.7.0版中的新功能。
sparse :bool, 可选
如果为True,则返回一个稀疏网格以节省内存。
默认值为False。
1.7.0版中的新功能。
copy :bool, 可选
如果为False,则返回原始数组的视图以节省内存。
默认值为True。请注意,
sparse = False,copy = False可能会返回非连续数组。
此外,广播阵列的一个以上的元素可以引用单个存储位置。
如果需要写入阵列,请先进行复制。
1.7.0版中的新功能。
返回值 :X1, X2,…, XN :ndarray
对于长度为Ni = len(xi)的向量x1,x2,…,'xn',
如果返回(N1,N2,N3,... Nn)形状的数组
indexing ='ij'或(N2,N1,N3,... Nn)形状的数组,
如果indexing ='xy'
且重复xi的元素以沿x1的第一个维度填充矩阵,
第二个用于x2,依此类推。
Notes
此函数通过indexing关键字参数支持两种索引约定。 赋予字符串'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,对于'xy'索引,输出的形状为(N,M),对于'ij'索引,输出的形状为(M,N)。 在输入长度为M,N和P的3-D情况下,对于“ xy”索引,输出的形状为(N,M,P),对于'ij'索引输出的形状为(M,N,P)。 以下代码片段说明了这种差异: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]
\nxv, 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]
在1-D和0-D情况下,索引和稀疏关键字无效
例子>>> 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对于评估网格上的功能非常有用>>> 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()
python meshgrid_Python numpy.meshgrid函数方法的使用相关推荐
- python correlate_Python numpy.correlate函数方法的使用
numpy.correlate numpy.correlate(a, v, mode='valid') [source] 两个一维序列的互相关. 此函数计算信号处理文本中通常定义的相关性:c_ ...
- python argmin_Python numpy.argmin函数方法的使用
numpy.argmin numpy.argmin(a, axis=None, out=None) [source] 返回沿轴的最小值的索引.参数 :a :array_like 输入数组. ax ...
- Python numpy.median函数方法的使用
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库.使用NumPy,就可以很自然地使用数组和矩阵.NumPy包含很多实用的数学函数,涵盖线性代数运算.傅里叶变换和随 ...
- Python numpy.mat函数方法的使用
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库.使用NumPy,就可以很自然地使用数组和矩阵.NumPy包含很多实用的数学函数,涵盖线性代数运算.傅里叶变换和随 ...
- Python numpy.corrcoef函数方法的使用
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库.使用NumPy,就可以很自然地使用数组和矩阵.NumPy包含很多实用的数学函数,涵盖线性代数运算.傅里叶变换和随 ...
- Python numpy.atleast_1d函数方法的使用
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库.使用NumPy,就可以很自然地使用数组和矩阵.NumPy包含很多实用的数学函数,涵盖线性代数运算.傅里叶变换和随 ...
- Python numpy.atleast_2d函数方法的使用
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库.使用NumPy,就可以很自然地使用数组和矩阵.NumPy包含很多实用的数学函数,涵盖线性代数运算.傅里叶变换和随 ...
- Python numpy.atleast_3d函数方法的使用
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库.使用NumPy,就可以很自然地使用数组和矩阵.NumPy包含很多实用的数学函数,涵盖线性代数运算.傅里叶变换和随 ...
- Python numpy.var函数方法的使用
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库.使用NumPy,就可以很自然地使用数组和矩阵.NumPy包含很多实用的数学函数,涵盖线性代数运算.傅里叶变换和随 ...
最新文章
- 深度学习12大常见问题解答(附答案)
- zabbix如何添加图表显示内容_Zabbix图表出现中文乱码解决方案
- 安卓 spinner下拉框 做模糊查询_想做短视频不知道用什么工具?11个免费制作工具收藏起来...
- python怎么清空屏幕_python如何清屏
- TC的文件拷贝/移动
- 安全地创建和存储密码
- 编写shell管理脚本(二)
- Linux下源码安装ElasticResearch
- 查看dll是32还是64
- Visual C++ 6.0下载安装及编写第一个C程序
- wps带阴影的边框怎么设置_win7系统下wps阴影边框如何设置
- element el-table表头添加背景图片
- iOS- 添加UIWindow蒙版
- 前端:一篇彻底搞懂vuex中dispatch与commit的使用及差异
- iOS GitHub上常用第三方框架
- MongoTemplate实现mongodb聚合管道查询
- C++——HIS排班系统for Neuedu
- 如何在智星云主机配置 conda 和 pip 源
- 微信商城开发:公众号平台接口配置及调试
- [转]SIFT,SURF,ORB,FAST 特征提取算法比较