# 导包 import numpy as np import matplotlib.pyplot as plt # x = np.linspace(1,3,num=100) y = np.linspace(6,8,num=100) xx,yy = np.meshgrid(x,y) display(xx,yy) xx.shape xy = np.c_[xx.reshape(10000,),yy.reshape(10000,)] plt.scatter(xy[:,0],xy[:,1]) plt.scatter([1,2,3],[6,7,8])
numpy.linspace()等差数列函数
numpy.linspace(start, stop[, num=50[, endpoint=True[, retstep=False[, dtype=None]]]]])
返回在指定范围内的均匀间隔的数字（组成的数组），也即返回一个等差数列
start - 起始点，
stop - 结束点
num - 元素个数，默认为50，
endpoint - 是否包含stop数值，默认为True，包含stop值；若为False，则不包含stop值
retstep - 返回值形式，默认为False，返回等差数列组，若为True，则返回结果(array([`samples`, `step`])),
dtype - 返回结果的数据类型，默认无，若无，则参考输入数据类型。
import numpy as np a = np.linspace(1,10,5,endpoint= True) print(a) # [ 1. 3.25 5.5 7.75 10. ] b = np.linspace(1,10,5,endpoint= False) print(b) #[1. 2.8 4.6 6.4 8.2] c = np.linspace(1,10,5,retstep = False) print(c) # [ 1. 3.25 5.5 7.75 10. ] d = np.linspace(1,10,5,retstep = True) print(d) # (array([ 1. , 3.25, 5.5 , 7.75, 10. ]), 2.25)
np.meshgrid()
np.meshgrid从坐标向量返回坐标矩阵。
x = np.arange(-2,2) y = np.arange(0,3)#生成一位数组，其实也就是向量 x Out[31]: array([-2, -1, 0, 1]) y Out[32]: array([0, 1, 2]) z,s = np.meshgrid(x,y)#将两个一维数组变为二维矩阵 z Out[36]: array([[-2, -1, 0, 1], [-2, -1, 0, 1], [-2, -1, 0, 1]]) s Out[37]: array([[0, 0, 0, 0], [1, 1, 1, 1], [2, 2, 2, 2]])
也就是说，它讲 x 变成了矩阵 z 的行向量，y 变成了矩阵 s 的列向量。
反过来，也是一样的：
z,s = np.meshgrid(y,x)
z
Out[40]:
array([[0, 1, 2],
[0, 1, 2],
[0, 1, 2],
[0, 1, 2]])
s
Out[41]:
array([[-2, -2, -2],
[-1, -1, -1],
[ 0, 0, 0],
[ 1, 1, 1]])
以上面这个例子来说，z 和 s 就构成了一个坐标矩阵，实际上也就是一个网格，不知道你没有注意到，z 和 s 的维数是一样的，是一个4 × 4的网格矩阵，也就是坐标矩阵。
numpy中np.c_和np.r_
import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = np.c_[a,b] print(np.r_[a,b]) print(c) print(np.c_[c,a])
np.r_是按列连接两个矩阵，就是把两矩阵上下相加，要求列数相等，类似于pandas中的concat()。
np.c_是按行连接两个矩阵，就是把两矩阵左右相加，要求行数相等，类似于pandas中的merge()。
[1 2 3 4 5 6] [[1 4] [2 5] [3 6]] [[1 4 1] [2 5 2] [3 6 3]]
在numpy中，一个列表虽然是横着表示的，但它是列向量。