numpy 学习之：矩阵 array 和坐标矩阵 meshgrid 的区别

矩阵

• 矩阵中的每一个位置(i,j)的 value 值，都代表了这个矩阵在这一点的值的大小，比如说我们可以用 $A$ 来表示一个矩阵 arr，然后我们说 $A_{i,j}=5$ 我们想得到这个值的时候，我们需要用索引的方式得到这个值

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

arr = np.array([[1,2,3],[4,5,6],[7,8,9]])
arr

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

• 我们可以通过 plt 来画出一个矩阵的图，他可以直接作为图片，上面的每一个点的值都可以作为一个 pixel 色度的值

plt.imshow(arr)

meshgrid

• 坐标矩阵，顾名思义，他首先是个矩阵，但是这个矩阵中的每个位置的值都表示一个位置的 $x$ 值或者 $y$ 值
• 坐标矩阵并不会用每个点的值来代表这个图上这个 pixel 的值的大小，所以坐标矩阵如果当 image 来进行 imshow 结果会很奇怪

grid_x = np.arange(3)
print(grid_x)
grid_x.shape

[0 1 2]





(3,)

grid_y = np.arange(3)
print(grid_y)
grid_y.shape

[0 1 2]





(3,)

[X,Y] = np.meshgrid(grid_x,grid_y)

print(X)

[[0 1 2]
 [0 1 2]
 [0 1 2]]

print(Y)

[[0 0 0]
 [1 1 1]
 [2 2 2]]

for i in range(len(X)):
    plt.scatter(X[i],Y[i])
plt.yticks(range(3))
plt.xticks(range(3))
plt.grid(True)
plt.show()

把 meshgrid 的图进行 imshow

• 会很奇怪，因为总是沿着 x 方向不断增大，也总是沿着 y 方向不断增大

fig,(a1,a2) = plt.subplots(1,2,figsize=(8,4))
a1.imshow(X)
a2.imshow(Y)

坐标矩阵进行向量运算

• 正是因为坐标矩阵 X 和 Y 可以联合起来代表整个图上所有点的坐标
• 因此，可以通过坐标矩阵来进行向量的运算

回顾普通矩阵两个点相减的意义

• 对于普通的矩阵 arr ，如果让 $A_{i,j}-A_{p,q}=v,v\in R$，两个矩阵中的点进行相减，只能得到一个具体的数值，没有蕴含任何的坐标信息

坐标矩阵两点相减

• 我们都知道坐标之间的减法可以产生向量

i = 2
j = 2
p = 1.5
q = 1
point_ij = (i,j)
mode_ij = np.linalg.norm(point_ij)
mode_pq = np.linalg.norm(point_pq)

point_new = (i-p,j-q)
point_new

(0.5, 1)

• 对于这里产生的 $(2,1)$ 我们可以当做一个新的点，也可以当做是一个向量

可视化相减的向量

# 向量的模
mode = np.linalg.norm(point_new)
mode

1.118033988749895

plt.quiver(0,0,(i-p),(j-q),mode)
plt.colorbar()
'''
下图中的向量使用的是 单位向量 + 颜色深度来表示新的那个向量
'''