NumPy 1.14 - numpy.meshgrid()

numpy.meshgrid




numpy

numpy.meshgrid

numpy.meshgrid(*xi, **kwargs) [source]

निर्देशांक वैक्टर से समन्वयित मैट्रिक्स वापस करें।

एनडी स्केलर / वेक्टर क्षेत्रों के एनडी ग्रिड पर वेक्टर मूल्यांकन के लिए एनडी समन्वित सरणियां बनाएं, एक-आयामी समन्वय एरे, एक्स 1, एक्स 2,…, एक्सएन को देखते हुए।

संस्करण 1.9 में बदला गया: 1-डी और 0-डी मामलों की अनुमति है।

पैरामीटर:

X1, x2,…, xn : array_like

1-डी सरणियों एक ग्रिड के निर्देशांक का प्रतिनिधित्व करते हैं।

अनुक्रमण : {'xy', 'ij'}, वैकल्पिक

कार्टेशियन ('xy', डिफ़ॉल्ट) या मैट्रिक्स ('ij') आउटपुट का अनुक्रमण। अधिक विवरण के लिए नोट्स देखें।

संस्करण 1.7.0 में नया।

विरल : बूल, वैकल्पिक

यदि मेमोरी को संरक्षित करने के लिए ट्रू स्पार्स ग्रिड को लौटाया जाता है। डिफ़ॉल्ट गलत है।

संस्करण 1.7.0 में नया।

प्रतिलिपि : बूल, वैकल्पिक

यदि गलत है, तो स्मृति को संरक्षित करने के लिए मूल सरणियों में एक दृश्य लौटाया जाता है। डिफ़ॉल्ट सत्य है। कृपया ध्यान दें कि sparse=False, copy=False होने की संभावना गैर-सन्निहित सरणियों की वापसी होगी। इसके अलावा, एक प्रसारण सरणी के एक से अधिक तत्व एक एकल मेमोरी स्थान को संदर्भित कर सकते हैं। यदि आपको सरणियों को लिखने की आवश्यकता है, तो पहले प्रतियां बनाएं।

संस्करण 1.7.0 में नया।

यह दिखाता है:

X1, X2,…, XN : ndarray

वैक्टर x1 , x2 ,… के लिए, लंबाई Ni=len(xi) साथ ctors xn ’, रिटर्न (N1, N2, N3,...Nn) एरे को आकार देता है यदि अनुक्रमण = 'ij' या (N2, N1, N3,...Nn) एरे को आकार दिया जाता है यदि xi के तत्वों के साथ = 'xy' को अनुक्रमणित किया जाए, तो मैट्रिक्स को x1 लिए पहला आयाम, x2 लिए दूसरा और इसी तरह दोहराया जाए।

यह भी देखें

index_tricks.mgrid
अनुक्रमण संकेतन का उपयोग करके एक बहुआयामी "मेशग्रिड" का निर्माण करें।
index_tricks.ogrid
अनुक्रमण संकेतन का उपयोग करते हुए एक खुले बहुआयामी "मेशग्रिड" का निर्माण करें।

टिप्पणियाँ

यह फ़ंक्शन इंडेक्सिंग कीवर्ड तर्क के माध्यम से दोनों अनुक्रमण सम्मेलनों का समर्थन करता है। स्ट्रिंग 'ij' देते हुए मैट्रिक्स अनुक्रमण के साथ एक मेशग्रिड देता है, जबकि 'xy' कार्टेशियन अनुक्रमण के साथ एक मेशग्रिड देता है। 2-D मामले में लंबाई M और N के इनपुट के साथ, आउटपुट 'xy' इंडेक्सिंग के लिए आकार (N, M) और 'M', 'I' इंडेक्सिंग के लिए M हैं। 3-डी मामले में लंबाई एम, एन और पी के इनपुट के साथ, आउटपुट 'xy' इंडेक्सिंग के लिए आकार (एन, एम, पी) के हैं और (एम, एन, पी) 'आईजे' इंडेक्सिंग के लिए। अंतर को निम्नलिखित कोड स्निपेट द्वारा दर्शाया गया है:

xv, yv = np.meshgrid(x, y, sparse=False, indexing='ij')
for i in range(nx):
    for j in range(ny):
        # treat xv[i,j], yv[i,j]

xv, yv = np.meshgrid(x, y, sparse=False, indexing='xy')
for i in range(nx):
    for j in range(ny):
        # treat xv[j,i], yv[j,i]

1-डी और 0-डी मामले में, अनुक्रमण और विरल कीवर्ड का कोई प्रभाव नहीं होता है।

उदाहरण

>>> nx, ny = (3, 2)
>>> x = np.linspace(0, 1, nx)
>>> y = np.linspace(0, 1, ny)
>>> xv, yv = np.meshgrid(x, y)
>>> xv
array([[ 0. ,  0.5,  1. ],
       [ 0. ,  0.5,  1. ]])
>>> yv
array([[ 0.,  0.,  0.],
       [ 1.,  1.,  1.]])
>>> xv, yv = np.meshgrid(x, y, sparse=True)  # make sparse output arrays
>>> xv
array([[ 0. ,  0.5,  1. ]])
>>> yv
array([[ 0.],
       [ 1.]])

ग्रिड पर कार्यों का मूल्यांकन करने के लिए meshgrid बहुत उपयोगी है।

>>> x = np.arange(-5, 5, 0.1)
>>> y = np.arange(-5, 5, 0.1)
>>> 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)