numpy之meshgrid和where

meshgrid

np.meshgrid()

np.meshgrid从坐标向量返回坐标矩阵。

这样说可能很抽象。举个例子。

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]])

从代码上看，我们得到了这样一组值：

-2， -1， 0， 1，---- 0， 0， 0， 0

-2， -1， 0， 1，---- 1， 1， 1， 1

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。

meshgrid 方法的参数数量不受限，可以得到任意 N 维空间中的坐标矩阵。

注意到，传入的对象是一维的。

想到这里，我觉得，这可能和方程式有关系（很可能我的感觉是错的，等以后发现再改这句话，但是我觉得这样的话，会很好理解这个函数方法），也就是行列式，但是方程式的右侧的 y 只有一列。

a1x1 + b1x2 + c1x3 + d1x4 + ...... =y1

a2x1 + b2x2 + c2x3 + d2x4 + ...... =y2

...

...

x, y = np.meshgrid(np.arange(-1, 1, 0.01), np.arange(-1, 1, 0.01))

contor = np.sqrt(x ** 2 + y ** 2)
plt.imshow(contor)
plt.colorbar()
plt.show()

np.where()

where(condition, [x, y]) 当condition为True时，返回 x ， 否则返回 y。

其实，在x, y 为一维数组时，就相当于：

[xv if c else yv for (c,xv,yv) in zip(condition,x,y)]

测试：

In [3]: x = np.arange(9).reshape(3,3)#创建一个3×3的矩阵

In [4]: x
Out[4]:
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [5]: np.where(x>4) #只输入condition
Out[5]: (array([1, 2, 2, 2], dtype=int64), array([2, 0, 1, 2], dtype=int64))

In [6]: np.where(x>7)# 只输入condition
Out[6]: (array([2], dtype=int64), array([2], dtype=int64))

通过上面的例子，我们可以发现，只输入condition的话，得到的结果是一个位置索引。它们就是满足条件的元素的索引，即为True的元素。

说明下:返回的第一个第一个数组为行坐标，第二个为纵坐标。

我们还可以用where来这样做：

In [8]: y = np.random.randn(3,3)

In [9]: y
Out[9]:
array([[ 1.59809956, -0.42735851,  1.46593089],
       [-0.26497622,  0.53948157, -2.01569974],
       [-0.11099139, -1.70616601, -1.34821361]])

In [10]: np.where(y > 0, 4, -4)
Out[10]:
array([[ 4, -4,  4],
       [-4,  4, -4],
       [-4, -4, -4]])

很显然，np.where()是可以嵌套使用的，其类似于if..elif...else...，如果我们有多个条件的话。

大家都知道，布尔值在计算过程中是可以当做0和1处理的。

因此，我们还可以这样：

result = 3 * (con2 & -cond1) + 2 * - (cond1 | cond2)