Python中的meshgrid的目的是什么？
有人可以向我解释在Numpy中meshgrid的用途是什么？
我知道它为绘图创build了某种坐标网格，但我不能真正看到它的直接好处。
我正在学习“Python机器学习”（来自Sebastian Raschka），他正在使用它来绘制决策边界 – 请参见input法11。
编辑
我也从官方文档中试过这个代码，但是输出结果对我来说并不合适。
x = np.arange(-5, 5, 1) y = np.arange(-5, 5, 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)
编辑2
请尽可能展示更真实的示例，因为@Suever已经很好地解释了这个function。
meshgrid的目的是从x值数组和y值数组中创build一个矩形网格。
因此，例如，如果我们想要创build一个网格，我们在x和y方向上都有一个0到4之间的整数值。 要创build一个矩形网格，我们需要每个x和y点的组合。
这将是25点，对吧？ 所以如果我们想为所有这些点创build一个x和y数组，我们可以做到以下几点。
x[0,0] = 0 y[0,0] = 0 x[0,1] = 0 y[0,1] = 1 x[0,2] = 0 y[0,2] = 2 x[0,3] = 0 y[0,3] = 3 x[0,4] = 0 y[0,4] = 4 x[1,0] = 1 y[1,0] = 0 x[1,1] = 1 y[1,1] = 1 ... x[4,3] = 4 y[4,3] = 3 x[4,4] = 4 y[4,4] = 4
这将导致下面的x和ymatrix，使得每个matrix中相应元素的配对给出网格中点的x和y坐标。
x = 0 0 0 0 0 y = 0 1 2 3 4 1 1 1 1 1 0 1 2 3 4 2 2 2 2 2 0 1 2 3 4 3 3 3 3 3 0 1 2 3 4 4 4 4 4 4 0 1 2 3 4
然后我们可以绘制这些图来validation它们是一个网格：
plt.plot(x,y, marker='.', color='k', linestyle='none')
显然，这是非常繁琐的，尤其是对于大范围的x和y 。 相反， meshgrid实际上可以为我们生成这个：所有我们必须指定的是唯一的x和y值。
xvalues = np.array([0, 1, 2, 3, 4]); yvalues = np.array([0, 1, 2, 3, 4]);
现在，当我们调用meshgrid ，我们会自动获得前一个输出。
xx, yy = np.meshgrid(xvalues, yvalues) plt.plot(xx, yy, marker='.', color='k', linestyle='none')
这些矩形网格的创build对于一些任务是有用的。 在你在文章中提供的例子中，它只是一个简单的方法来在一个范围内对一个函数（ sin(x**2 + y**2) / (x**2 + y**2) ）进行采样x和y值。
由于此function是在矩形网格上采样的，现在该function可以被视为一个“图像”。
此外，结果现在可以传递给期望矩形网格上的数据的函数（即contourf ）
致谢微软凯越：
假设你有一个function：
def sinus2d(x, y): return np.sin(x) + np.sin(y)
例如，你想要看看它在0到2 * pi的范围内看起来像什么。 你会怎么做？ 有np.meshgrid进来：
xx, yy = np.meshgrid(np.linspace(0,2*np.pi,100), np.linspace(0,2*np.pi,100)) z = sinus2d(xx, yy) # Create the image on this grid
这样的情节看起来像：
import matplotlib.pyplot as plt plt.imshow(z, origin='lower', interpolation='none') plt.show()
所以np.meshgrid只是一个方便。 原则上也可以这样做：
z2 = sinus2d(np.linspace(0,2*np.pi,100)[:,None], np.linspace(0,2*np.pi,100)[None,:])
但在那里你需要知道你的维度（假设你有两个以上的…）和正确的广播。 np.meshgrid为你做这一切。
另外，如果您想要进行插值但排除某些值，则meshgrid允许您将数据与数据一起删除：
condition = z>0.6 z_new = z[condition] # This will make your array 1D
那么你现在怎么做插值？ 你可以给x和y插入函数，比如scipy.interpolate.interp2d所以你需要知道哪些坐标被删除的方法：
x_new = xx[condition] y_new = yy[condition]
然后你仍然可以插入“正确的”坐标（没有meshgrid的情况下试一下，你会得到很多额外的代码）：
from scipy.interpolate import interp2d interpolated = interp2(x_new, y_new, z_new)
并且原始的meshgrid允许您再次获取原始网格上的插值：
interpolated_grid = interpolated(xx, yy)
这些只是我使用meshgrid一些例子，可能还有很多。
