实际上文档中已经提到了np.mgrid的目的：
np.mgrid
从坐标向量返回坐标矩阵。
在给定一维坐标数组x1，x2，...，xn的情况下，为N-D网格上的N-D标量/矢量场的矢量化评估制作N-D坐标数组。
所以它的主要目的是创建一个坐标矩阵。
你可能只是问自己：
为什么我们需要创建坐标矩阵？
你需要使用Python / NumPy坐标矩阵的原因是坐标与值之间没有直接的关系，除非你的坐标从零开始并且是纯正整数。 然后你可以使用数组的索引作为索引。但是，如果不是这种情况，您需要在数据旁边存储坐标。 这就是网格进来的地方。
假设您的数据是：
1 2 1
2 5 2
1 2 1
但是，每个值代表水平2公里宽的区域和垂直3公里。 假设您的原点位于左上角，并且您需要表示可以使用的距离的数组：
import numpy as np
h, v = np.meshgrid(np.arange(3)*3, np.arange(3)*2)
其中np.mgrid是：
0 2 4
0 2 4
0 2 4
和h：
0 0 0
3 3 3
6 6 6
所以，如果你有两个指数，那么就说np.mgrid和x(这就是为什么y的返回值通常是x或y而不是np.ogrid而不是np.ogrid为什么我在水平上选择了sparse=True！)然后你可以得到点的x坐标， 通过使用以下点的y坐标和该点的值：
h[x, y] # horizontal coordinate
v[x, y] # vertical coordinate
data[x, y] # value
这样可以更容易地跟踪坐标，并且(更重要的是)您可以将它们传递给需要知道坐标的函数。
一个稍长的解释
但是，np.mgrid本身并不经常直接使用，大多数只使用类似对象之一x或y。这里x代表y和np.ogrid sparse=True案例(我参考sparse参数np.meshgrid)。 请注意，两者之间存在显着差异np.meshgrid和np.ogrid和np.mgrid：前两个返回值(如果有两个或更多)是相反的。 通常这没关系，但你应该给出有意义的变量名称取决于具体情况。 例如，在2D网格和matplotlib.pyplot.imshow的情况下，将第一个返回的项目命名为np.meshgrid x和第二个y是有意义的。另一种方式为np.mgrid和np.ogrid。
np.mgrid和稀疏网格
>>> import numpy as np
>>> yy, xx = np.ogrid[-5:6, -5:6]
>>> xx
array([[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5]])
>>> yy
array([[-5],
[-4],
[-3],
[-2],
[-1],
[ 0],
[ 1],
[ 2],
[ 3],
[ 4],
[ 5]])
如前所述，与np.mgrid相比，输出反转，这就是为什么我将其解压缩为x而不是y：
>>> xx, yy = np.meshgrid(np.arange(-5, 6), np.arange(-5, 6), sparse=True)
>>> xx
array([[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5]])
>>> yy
array([[-5],
[-4],
[-3],
[-2],
[-1],
[ 0],
[ 1],
[ 2],
[ 3],
[ 4],
[ 5]])
这看起来像坐标，特别是2D图的x和y线。
可视化：
yy, xx = np.ogrid[-5:6, -5:6]
plt.figure()
plt.title('ogrid (sparse meshgrid)')
plt.grid()
plt.xticks(xx.ravel())
plt.yticks(yy.ravel())
plt.scatter(xx, np.zeros_like(xx), color="blue", marker="*")
plt.scatter(np.zeros_like(yy), yy, color="red", marker="x")
np.mgrid和密集/充实的网格
>>> yy, xx = np.mgrid[-5:6, -5:6]
>>> xx
array([[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5]])
>>> yy
array([[-5, -5, -5, -5, -5, -5, -5, -5, -5, -5, -5],
[-4, -4, -4, -4, -4, -4, -4, -4, -4, -4, -4],
[-3, -3, -3, -3, -3, -3, -3, -3, -3, -3, -3],
[-2, -2, -2, -2, -2, -2, -2, -2, -2, -2, -2],
[-1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1],
[ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[ 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
[ 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2],
[ 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3],
[ 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4],
[ 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5]])
这同样适用：与np.mgrid相比，输出反转：
>>> xx, yy = np.meshgrid(np.arange(-5, 6), np.arange(-5, 6))
>>> xx
array([[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5]])
>>> yy
array([[-5, -5, -5, -5, -5, -5, -5, -5, -5, -5, -5],
[-4, -4, -4, -4, -4, -4, -4, -4, -4, -4, -4],
[-3, -3, -3, -3, -3, -3, -3, -3, -3, -3, -3],
[-2, -2, -2, -2, -2, -2, -2, -2, -2, -2, -2],
[-1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1],
[ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[ 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
[ 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2],
[ 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3],
[ 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4],
[ 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5]])
与np.mgrid不同，这些阵列包含-5＆lt; = xx＆lt; = 5;中的所有x和y坐标。 -5＆lt; = yy＆lt; = 5网格。
yy, xx = np.mgrid[-5:6, -5:6]
plt.figure()
plt.title('mgrid (dense meshgrid)')
plt.grid()
plt.xticks(xx[0])
plt.yticks(yy[:, 0])
plt.scatter(xx, yy, color="red", marker="x")
功能
它不仅限于2D，这些函数适用于任意维度(嗯，Python中函数的最大参数数量和NumPy允许的最大维数)：
>>> x1, x2, x3, x4 = np.ogrid[:3, 1:4, 2:5, 3:6]
>>> for i, x in enumerate([x1, x2, x3, x4]):
... print('x{}'.format(i+1))
... print(repr(x))
x1
array([[[[0]]],
[[[1]]],
[[[2]]]])
x2
array([[[[1]],
[[2]],
[[3]]]])
x3
array([[[[2],
[3],
[4]]]])
x4
array([[[[3, 4, 5]]]])
>>> # equivalent meshgrid output, note how the first two arguments are reversed and the unpacking
>>> x2, x1, x3, x4 = np.meshgrid(np.arange(1,4), np.arange(3), np.arange(2, 5), np.arange(3, 6), sparse=True)
>>> for i, x in enumerate([x1, x2, x3, x4]):
... print('x{}'.format(i+1))
... print(repr(x))
# Identical output so it's omitted here.
即使这些也适用于1D，有两个(更常见的)1D网格创建功能：
np.mgrid
np.mgrid
除了np.mgrid和x参数之外，它还支持y参数(甚至表示步骤数的复杂步骤)：
>>> x1, x2 = np.mgrid[1:10:2, 1:10:4j]
>>> x1 # The dimension with the explicit step width of 2
array([[1., 1., 1., 1.],
[3., 3., 3., 3.],
[5., 5., 5., 5.],
[7., 7., 7., 7.],
[9., 9., 9., 9.]])
>>> x2 # The dimension with the "number of steps"
array([[ 1., 4., 7., 10.],
[ 1., 4., 7., 10.],
[ 1., 4., 7., 10.],
[ 1., 4., 7., 10.],
[ 1., 4., 7., 10.]])
应用
您特别询问了目的，实际上如果您需要坐标系，这些网格非常有用。
例如，如果您有一个NumPy函数来计算二维距离：
def distance_2d(x_point, y_point, x, y):
return np.hypot(x-x_point, y-y_point)
你想知道每个点的距离：
>>> ys, xs = np.ogrid[-5:5, -5:5]
>>> distances = distance_2d(1, 2, xs, ys) # distance to point (1, 2)
>>> distances
array([[9.21954446, 8.60232527, 8.06225775, 7.61577311, 7.28010989,
7.07106781, 7. , 7.07106781, 7.28010989, 7.61577311],
[8.48528137, 7.81024968, 7.21110255, 6.70820393, 6.32455532,
6.08276253, 6. , 6.08276253, 6.32455532, 6.70820393],
[7.81024968, 7.07106781, 6.40312424, 5.83095189, 5.38516481,
5.09901951, 5. , 5.09901951, 5.38516481, 5.83095189],
[7.21110255, 6.40312424, 5.65685425, 5. , 4.47213595,
4.12310563, 4. , 4.12310563, 4.47213595, 5. ],
[6.70820393, 5.83095189, 5. , 4.24264069, 3.60555128,
3.16227766, 3. , 3.16227766, 3.60555128, 4.24264069],
[6.32455532, 5.38516481, 4.47213595, 3.60555128, 2.82842712,
2.23606798, 2. , 2.23606798, 2.82842712, 3.60555128],
[6.08276253, 5.09901951, 4.12310563, 3.16227766, 2.23606798,
1.41421356, 1. , 1.41421356, 2.23606798, 3.16227766],
[6. , 5. , 4. , 3. , 2. ,
1. , 0. , 1. , 2. , 3. ],
[6.08276253, 5.09901951, 4.12310563, 3.16227766, 2.23606798,
1.41421356, 1. , 1.41421356, 2.23606798, 3.16227766],
[6.32455532, 5.38516481, 4.47213595, 3.60555128, 2.82842712,
2.23606798, 2. , 2.23606798, 2.82842712, 3.60555128]])
如果在密集网格而不是开放网格中传递，则输出将是相同的。 NumPys广播使其成为可能！
让我们看看结果：
plt.figure()
plt.title('distance to point (1, 2)')
plt.imshow(distances, origin='lower', interpolation="none")
plt.xticks(np.arange(xs.shape[1]), xs.ravel()) # need to set the ticks manually
plt.yticks(np.arange(ys.shape[0]), ys.ravel())
plt.colorbar()
这也是当NumPys np.mgrid和x变得非常方便时，因为它可以让您轻松更改网格的分辨率：
ys, xs = np.ogrid[-5:5:200j, -5:5:200j]
# otherwise same code as above
但是，由于np.mgrid不支持x和y输入，因此必须手动更改滴答。 如果能接受x和y坐标会非常方便吗？
使用NumPy编写与网格自然对应的函数很容易。 此外，NumPy，SciPy，MatPlotLib中有几个函数可以让你传入网格。
我喜欢图像所以让我们探索np.mgrid：
ys, xs = np.mgrid[-5:5:200j, -5:5:200j]
density = np.sin(ys)-np.cos(xs)
plt.figure()
plt.contour(xs, ys, density)
请注意坐标是如何正确设置的！ 如果您刚刚通过np.mgrid，情况就不会如此。
或者使用astropy模型给出另一个有趣的例子(这次我不关心坐标，我只是用它们来创建一些网格)：
from astropy.modeling import models
z = np.zeros((100, 100))
y, x = np.mgrid[0:100, 0:100]
for _ in range(10):
g2d = models.Gaussian2D(amplitude=100,
x_mean=np.random.randint(0, 100),
y_mean=np.random.randint(0, 100),
x_stddev=3,
y_stddev=3)
z += g2d(x, y)
a2d = models.AiryDisk2D(amplitude=70,
x_0=np.random.randint(0, 100),
y_0=np.random.randint(0, 100),
radius=5)
z += a2d(x, y)
虽然这只是“为了外观”几个与功能模型和拟合相关的功能(例如np.mgrid，np.mgrid甚至在Scipy等中使用np.mgrid显示示例需要网格。 其中大多数使用开放式网格和密集的网格，但有些只与其中一个一起工作。
134
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
