mgrid与meshgrid生成数据的区别以及与contour等高线的联系

布满荆棘的人生 2021-09-25 13:36 251阅读 0赞

**一、meshgrid函数**

meshgrid函数通常使用在数据的矢量化上。

它适用于生成网格型数据，可以接受两个一维数组生成两个二维矩阵，对应两个数组中所有的(x,y)对。

**一、mgrid函数**

返回多维结构，常见的如2D图形，3D图形。对比np.meshgrid，在处理大数据时速度更快，且能处理多维（np.meshgrid只能处理2维）   
ret = np.mgrid\[ 第1维，第2维 ，第3维 ， …\]   
返回多值，以多个矩阵的形式返回，具体请见代码

下面的xx,yy对应的两个矩阵中，相对应位置上的点组成坐标点，正是网格中所有点的坐标。例如生成等高线分界线

xx, yy = np.mgrid[-3:3:1, -3:3:1]
    z=np.random.rand(6,6)
    cs=plt.contour(xx,yy,z)
    plt.show()
    =========================================================
    print(z)
    [[0.03727376 0.95151217 0.05570532 0.22411104 0.96816118 0.38150866]
     [0.88232991 0.84079983 0.63021421 0.82838102 0.47466549 0.36201358]
     [0.96233517 0.65083492 0.76858392 0.77634627 0.04197187 0.83780362]
     [0.11016477 0.77251635 0.52811971 0.99376375 0.64402523 0.50759017]
     [0.89698112 0.28521291 0.03758289 0.77641507 0.920615   0.29800963]
     [0.65718929 0.57843572 0.9278855  0.95024136 0.06827129 0.10758725]]

结果：用random生成正态分布随机值，也是6\*6对应网格中所有的点，后用等高线将近似相同的随机值连线，形成下图.

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxOTUwNDQ3_size_16_color_FFFFFF_t_70][]

代码清单：

xx, yy = np.mgrid[-3:3:6j, -3:3:6j]
    # 6j代表从-3到3一共六个点，间距为6/5=1.2
    # [[-3.  -3.  -3.  -3.  -3.  -3. ]
    #  [-1.8 -1.8 -1.8 -1.8 -1.8 -1.8]
    #  [-0.6 -0.6 -0.6 -0.6 -0.6 -0.6]
    #  [ 0.6  0.6  0.6  0.6  0.6  0.6]
    #  [ 1.8  1.8  1.8  1.8  1.8  1.8]
    #  [ 3.   3.   3.   3.   3.   3. ]]
    # [[-3.  -1.8 -0.6  0.6  1.8  3. ]
    #  [-3.  -1.8 -0.6  0.6  1.8  3. ]
    #  [-3.  -1.8 -0.6  0.6  1.8  3. ]
    #  [-3.  -1.8 -0.6  0.6  1.8  3. ]
    #  [-3.  -1.8 -0.6  0.6  1.8  3. ]
    #  [-3.  -1.8 -0.6  0.6  1.8  3. ]]
    # xx,yy=np.meshgrid(xx,yy)
    # [[-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]]
    # [[-3 -3 -3 -3 -3 -3]
    #  [-2 -2 -2 -2 -2 -2]
    #  [-1 -1 -1 -1 -1 -1]
    #  [ 0  0  0  0  0  0]
    #  [ 1  1  1  1  1  1]
    #  [ 2  2  2  2  2  2]]
    
    
    # xx, yy = np.mgrid[-3:3:1, -3:3:1]
    # [[-3 -3 -3 -3 -3 -3]
    #  [-2 -2 -2 -2 -2 -2]
    #  [-1 -1 -1 -1 -1 -1]
    #  [ 0  0  0  0  0  0]
    #  [ 1  1  1  1  1  1]
    #  [ 2  2  2  2  2  2]]
    # [[-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]
    #  [-3 -2 -1  0  1  2]]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxOTUwNDQ3_size_16_color_FFFFFF_t_70]: /images/20210923/a12ee1d07bef4d93a802399ff87af281.png