np.meshgrid()函数

函数调用方法：

numpy.meshgrid(*xi, copy=True, sparse=False, indexing='xy')

各个参数意义：
*xi：创建的数组的对象，可以为单个值，列表，元胞等。
copy：可选参数，值为布尔数，如果是 False ，将返回原始数组的视图以减少内存。默认值是 True ，注意，如果 sparse=False ，且copy=False时，将大概率会返回一个不连续的数组。此外，broadcast 数组中的多个元素可能会引用单个内存位置。如果用户需要写入数组，首先应该进行 copy 操作，即维持这个参数的默认值。

由于一般的科学计算不会涉及过多的内存需求（人工智能除外），因此，本文我们不会对对这个参数进行详细地说明，一般情况下，保持这个参数为默认值即可。

index：可选参数，默认是 index='xy' ，表示笛卡尔坐标系，用户也可以设置 index='ij' ，表示矩阵坐标系。具体的可以查看该篇------np.meshgrid函数中的indexing参数问题。
sparse：可选参数，且值为布尔数。如果这个值是 True ，对于一个维度为i的数组，将会被从（$N_1,\dots Ni,\dots N_n$）缩减到（$1,\dots Ni,\dots 1$）。本文我们将会着重介绍这一参数的用法。
返回值：从坐标向量返回一个坐标矩阵。

示例1

首先我们来看一下，当我们设置 spare=False 默认值时的输出结果：

import numpy as np

x_min, x_max = 0, 2
y_min, y_max = -1, 1

sampling_points_x, sampling_points_y = 3, 3

x = np.linspace(x_min, x_max, sampling_points_x)
y = np.linspace(y_min, y_max, sampling_points_y)

xx, yy = np.meshgrid(x, y, sparse=False)

print(xx)
print(xx.shape)
print(yy)
print(yy.shape)
"""
Result：
[[0. 1. 2.]
 [0. 1. 2.]
 [0. 1. 2.]]
(3, 3)
[[-1. -1. -1.]
 [ 0.  0.  0.]
 [ 1.  1.  1.]]
(3, 3)
"""

我们再来看一下当设置 spare=True 时的输出结果：

import numpy as np

x_min, x_max = 0, 2
y_min, y_max = -1, 1

sampling_points_x, sampling_points_y = 3, 3

x = np.linspace(x_min, x_max, sampling_points_x)
y = np.linspace(y_min, y_max, sampling_points_y)

xx, yy = np.meshgrid(x, y, sparse=True)

print(xx)
print(xx.shape)
print(yy)
print(yy.shape)
"""
Result:
[[0. 1. 2.]]
(1, 3)
[[-1.]
 [ 0.]
 [ 1.]]
(3, 1)
"""

对比参数设置为不同值后的结果，不难看出，当设置 spare=True 我们得到的是一个稀疏矩阵，对于 xx 参数，其所有元素均为第一行的重复，因此仅保留了第一行的所有元素，而对于 yy 参数，其所有元素均为第一列元素的重复，因此仅保留第一列元素。

实际应用中，我们通常使用到的是二维的情况，也就是我们本文中给出的示例 1 中的情况，推荐将 sparse 值保留为默认值，即令 sparse=False。

如果大家觉得有用，就请点个赞吧~