如何创建具有规则间隔值的数组#
有一些 NumPy 函数在应用中类似，但提供的结果略有不同，如果不确定何时以及如何使用它们，可能会导致混乱。以下指南旨在列出这些函数并描述它们的推荐用法。
这里提到的功能是
一维域（区间）#
linspace与arange#
numpy.linspace和都numpy.arange提供了将区间（一维域）划分为等长子区间的方法。这些分区将根据所选的起点和终点以及步长（子区间的长度）而有所不同。
如果您需要整数步长，请使用。
numpy.arangenumpy.arange依赖步长来确定返回的数组中有多少元素，其中不包括端点。这是通过step的论证来确定的arange。例子：
>>> np.arange(0, 10, 2) # np.arange(start, stop, step) array([0, 2, 4, 6, 8])
参数
start和stop应该是整数或实数，但不能是复数。numpy.arange类似于Python内置的range.浮点不准确可能会使
arange浮点数的结果令人困惑。在这种情况下，您应该改用numpy.linspace。如果您希望端点包含在结果中，或者您使用非整数步长，请使用此值。
numpy.linspacenumpy.linspace可以包含端点并根据 num参数确定步长，该参数指定返回数组中的元素数量。端点的包含由可选的布尔参数确定
endpoint，默认为True。请注意，选择endpoint=False将更改步长计算以及函数的后续输出。例子：
>>> np.linspace(0.1, 0.2, num=5) # np.linspace(start, stop, num) array([0.1 , 0.125, 0.15 , 0.175, 0.2 ]) >>> np.linspace(0.1, 0.2, num=5, endpoint=False) array([0.1, 0.12, 0.14, 0.16, 0.18])
numpy.linspace也可以与复杂的参数一起使用：>>> np.linspace(1+1.j, 4, 5, dtype=np.complex64) array([1. +1.j , 1.75+0.75j, 2.5 +0.5j , 3.25+0.25j, 4. +0.j ], dtype=complex64)
其他例子#
step如果像中那样使用浮点值，可能会出现意外结果numpy.arange。为了避免这种情况，请确保所有浮点转换在结果计算之后发生。例如，替换>>> list(np.arange(0.1,0.4,0.1).round(1)) [0.1, 0.2, 0.3, 0.4] # endpoint should not be included!
和
>>> list(np.arange(1, 4, 1) / 10.0) [0.1, 0.2, 0.3] # expected result
注意
>>> np.arange(0, 1.12, 0.04) array([0. , 0.04, 0.08, 0.12, 0.16, 0.2 , 0.24, 0.28, 0.32, 0.36, 0.4 , 0.44, 0.48, 0.52, 0.56, 0.6 , 0.64, 0.68, 0.72, 0.76, 0.8 , 0.84, 0.88, 0.92, 0.96, 1. , 1.04, 1.08, 1.12])
和
>>> np.arange(0, 1.08, 0.04) array([0. , 0.04, 0.08, 0.12, 0.16, 0.2 , 0.24, 0.28, 0.32, 0.36, 0.4 , 0.44, 0.48, 0.52, 0.56, 0.6 , 0.64, 0.68, 0.72, 0.76, 0.8 , 0.84, 0.88, 0.92, 0.96, 1. , 1.04])
由于数字噪声，这些有所不同。当使用浮点值时，、 等可能在区间内。事实上，情况确实如此：
0 + 0.04 * 28 < 1.121.12>>> 1.12/0.04 28.000000000000004
但这样 1.08 就被排除在外了：
0 + 0.04 * 27 >= 1.08>>> 1.08/0.04 27.0
或者，您可以使用它始终可以精确控制终点，因为它是不可或缺的：
np.arange(0, 28)*0.04>>> np.arange(0, 28)*0.04 array([0. , 0.04, 0.08, 0.12, 0.16, 0.2 , 0.24, 0.28, 0.32, 0.36, 0.4 , 0.44, 0.48, 0.52, 0.56, 0.6 , 0.64, 0.68, 0.72, 0.76, 0.8 , 0.84, 0.88, 0.92, 0.96, 1. , 1.04, 1.08])
geomspace和logspace＃
numpy.geomspace与 类似numpy.linspace，但数字在对数刻度上均匀分布（几何级数）。端点包含在结果中。
例子：
>>> np.geomspace(2, 3, num=5)
array([2. , 2.21336384, 2.44948974, 2.71080601, 3. ])
numpy.logspace与 类似numpy.geomspace，但起点和终点指定为对数（默认以 10 为底）：
>>> np.logspace(2, 3, num=5)
array([ 100. , 177.827941 , 316.22776602, 562.34132519, 1000. ])
在线性空间中，序列从(的) 次方开始，以 结束：base ** startbasestartbase ** stop
>>> np.logspace(2, 3, num=5, base=2)
array([4. , 4.75682846, 5.65685425, 6.72717132, 8. ])
nD 域#
nD 域可以划分为网格。这可以使用以下函数之一来完成。
meshgrid#
的目的numpy.meshgrid是从一组一维坐标数组创建一个矩形网格。
给定数组
>>> x = np.array([0, 1, 2, 3]) >>> y = np.array([0, 1, 2, 3, 4, 5])
meshgrid将创建两个坐标数组，可用于生成确定该网格的坐标对。
>>> xx, yy = np.meshgrid(x, y) >>> xx array([[0, 1, 2, 3], [0, 1, 2, 3], [0, 1, 2, 3], [0, 1, 2, 3], [0, 1, 2, 3], [0, 1, 2, 3]]) >>> yy array([[0, 0, 0, 0], [1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4], [5, 5, 5, 5]]) >>> import matplotlib.pyplot as plt >>> plt.plot(xx, yy, marker='.', color='k', linestyle='none')
mgrid#
numpy.mgrid可以用作创建网格的快捷方式。它不是一个函数，但在索引时会返回一个多维网格。
>>> xx, yy = np.meshgrid(np.array([0, 1, 2, 3]), np.array([0, 1, 2, 3, 4, 5]))
>>> xx.T, yy.T
(array([[0, 0, 0, 0, 0, 0],
[1, 1, 1, 1, 1, 1],
[2, 2, 2, 2, 2, 2],
[3, 3, 3, 3, 3, 3]]),
array([[0, 1, 2, 3, 4, 5],
[0, 1, 2, 3, 4, 5],
[0, 1, 2, 3, 4, 5],
[0, 1, 2, 3, 4, 5]]))
>>> np.mgrid[0:4, 0:6]
array([[[0, 0, 0, 0, 0, 0],
[1, 1, 1, 1, 1, 1],
[2, 2, 2, 2, 2, 2],
[3, 3, 3, 3, 3, 3]],
[[0, 1, 2, 3, 4, 5],
[0, 1, 2, 3, 4, 5],
[0, 1, 2, 3, 4, 5],
[0, 1, 2, 3, 4, 5]]])
ogrid#
与 类似numpy.mgrid，numpy.ogrid返回一个开放的多维网格。这意味着当它被索引时，每个返回的数组只有一个维度大于 1。这避免了重复数据，从而节省内存，这通常是可取的。
这些稀疏坐标网格旨在与广播一起使用。当表达式中使用所有坐标时，广播仍然会产生全维结果数组。
>>> np.ogrid[0:4, 0:6]
[array([[0],
[1],
[2],
[3]]), array([[0, 1, 2, 3, 4, 5]])]
这里描述的所有三种方法都可以用来计算网格上的函数值。
>>> g = np.ogrid[0:4, 0:6]
>>> zg = np.sqrt(g[0]**2 + g[1]**2)
>>> g[0].shape, g[1].shape, zg.shape
((4, 1), (1, 6), (4, 6))
>>> m = np.mgrid[0:4, 0:6]
>>> zm = np.sqrt(m[0]**2 + m[1]**2)
>>> np.array_equal(zm, zg)
True