近期在好几个地方都看到meshgrid的使用，虽然之前也注意到meshgrid的用法。
但总觉得印象不深刻，不是太了解meshgrid的应用场景。
所以，本文将进一步介绍Numpy中meshgrid的用法。
Meshgrid函数的基本用法
在Numpy的官方文章里，meshgrid函数的英文描述也显得文绉绉的，理解起来有些难度。
可以这么理解，meshgrid函数用两个坐标轴上的点在平面上画网格。
用法：
[X,Y]=meshgrid(x,y)
[X,Y]=meshgrid(x)与[X,Y]=meshgrid(x,x)是等同的
[X,Y,Z]=meshgrid(x,y,z)生成三维数组，可用来计算三变量的函数和绘制三维立体图
这里，主要以[X,Y]=meshgrid(x,y)为例，来对该函数进行介绍。
[X,Y] = meshgrid(x,y) 将向量x和y定义的区域转换成矩阵X和Y,其中矩阵X的行向量是向量x的简单复制，而矩阵Y的列向量是向量y的简单复制(注：下面代码中X和Y均是数组，在文中统一称为矩阵了)。
假设x是长度为m的向量，y是长度为n的向量，则最终生成的矩阵X和Y的维度都是 nm （注意不是mn）。
文字描述可能不是太好理解，下面通过代码演示下：
加载数据
import numpy as np
import matplotlib.pyplot as plt %matplotlib inline m, n = (5, 3) x = np.linspace(0, 1, m) y = np.linspace(0, 1, n) X, Y = np.meshgrid(x,y) 查看向量x和向量y
x
out:
array([ 0. , 0.25, 0.5 , 0.75, 1. ]) y out: array([ 0. , 0.5, 1. ]) 查看矩阵X和矩阵Y
X
out:
array([[ 0. , 0.25, 0.5 , 0.75, 1. ], [ 0. , 0.25, 0.5 , 0.75, 1. ], [ 0. , 0.25, 0.5 , 0.75, 1. ]]) Y out: array([[ 0. , 0. , 0. , 0. , 0. ], [ 0.5, 0.5, 0.5, 0.5, 0.5], [ 1. , 1. , 1. , 1. , 1. ]]) 查看矩阵对应的维度
X.shape
out: (3, 5) Y.shape out: (3, 5) meshgrid函数的运行过程，可以通过下面的示意图来加深理解：
再者，也可以通过在matplotlib中进行可视化，来查看函数运行后得到的网格化数据的结果
plt.plot(X, Y, marker='.', color='blue', linestyle='none') plt.show() 
当然，我们也可以获得网格平面上坐标点的数据，如下：
z = [i for i in zip(X.flat,Y.flat)] z out: [(0.0, 0.0), (0.25, 0.0), (0.5, 0.0), (0.75, 0.0), (1.0, 0.0), (0.0, 0.5), (0.25, 0.5), (0.5, 0.5), (0.75, 0.5), (1.0, 0.5), (0.0, 1.0), (0.25, 1.0), (0.5, 1.0), (0.75, 1.0), (1.0, 1.0)] Meshgrid函数的一些应用场景
Meshgrid函数常用的场景有等高线绘制及机器学习中SVC超平面的绘制（二维场景下）。
分别图示如下：
（1）等高线
（2）SVC中超平面的绘制：
关于场景（1）和场景（2），将在后续的文章里做进一步描述。
当然，可能还有些其他场景，这里就不做进一步介绍了