在Python / NumPy中，网格的作用是什么？
谁能给我解释一下meshgrid函数在Numpy中的作用？我知道它为绘图创建了某种坐标网格，但我真的看不到它的直接好处。
我正在学习Sebastian Raschka的"Python Machine Learning“，他正在用它来绘制决策边界。请参见输入11 here。
我也尝试过官方文档中的这段代码，但同样，输出对我来说没有什么意义。
x = np.arange(-5, 5, 1)
y = np.arange(-5, 5, 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)如果可能的话，请给我看一些真实世界的例子。
回答 4
Stack Overflow用户
发布于 2017-02-23 07:32:45
由Microsoft Excel提供：
Stack Overflow用户
发布于 2016-03-15 22:45:40
假设你有一个函数：
def sinus2d(x, y):
return np.sin(x) + np.sin(y)例如，你想看看它在0到2*pi的范围内是什么样子的。你会怎么做？下面是np.meshgrid的用法：
xx, yy = np.meshgrid(np.linspace(0,2*np.pi,100), np.linspace(0,2*np.pi,100))
z = sinus2d(xx, yy) # Create the image on this grid这样的图应该是这样的：
import matplotlib.pyplot as plt
plt.imshow(z, origin='lower', interpolation='none')
plt.show()
所以np.meshgrid只是一种便利。原则上，同样的工作可以通过以下方式完成：
z2 = sinus2d(np.linspace(0,2*np.pi,100)[:,None], np.linspace(0,2*np.pi,100)[None,:])但是你需要注意你的维度(假设你有两个以上的维度...)以及正确的广播。np.meshgrid为您完成了所有这些工作。
例如，如果您想要进行插值，但排除某些值，则meshgrid还允许您删除坐标和数据：
condition = z>0.6
z_new = z[condition] # This will make your array 1D那么现在如何进行插值呢？您可以将x和y赋给像scipy.interpolate.interp2d这样的插值函数，因此您需要一种方法来知道删除了哪些坐标：
x_new = xx[condition]
y_new = yy[condition]然后你仍然可以使用“正确的”坐标进行插值(试着不使用网格，你会有很多额外的代码)：
from scipy.interpolate import interp2d
interpolated = interp2d(x_new, y_new, z_new)原始网格允许您再次在原始网格上进行插值：
interpolated_grid = interpolated(xx[0], yy[:, 0]).reshape(xx.shape)这些只是我使用meshgrid的一些例子，可能还有更多的例子。
Stack Overflow用户
发布于 2018-05-11 18:32:01
网格有助于从两个一维阵列创建矩形网格，该阵列由两个阵列中的所有点对组成。
x = np.array([0, 1, 2, 3, 4])
y = np.array([0, 1, 2, 3, 4])现在，如果你已经定义了一个函数f(x，y)，并且你想将这个函数应用于数组'x‘和'y’中所有可能的点组合，那么你可以这样做：
f(*np.meshgrid(x, y))比方说，如果你的函数只产生两个元素的乘积，那么这就是笛卡尔乘积如何实现的，对于大型数组来说是有效的。
引用自here
https://stackoverflow.com/questions/36013063
复制相似问题
腾讯云开发者
