numpy.meshgrid（）函数是python矢量化的重要手段。所谓矢量化，是通过矩阵运算替换循环，从而将运算速度提高1至2个数量级的方法。
例如：
对x = [1,2,3]，y = [4,5]，求解每一个x和y组合的sqrt(x^2+y^2)。
方法一：
这个题目也就是要计算每一个x，y组合的平方和开根号，此时可以用下面的循环来做：
x=[1,2,3]
y=[4,5]
z=[]
for i in x:
for j in y:
z.extend([sqrt(i**2+j**2)])
得到的结果z为：
[4.1231056256176606, 5.0990195135927845, 4.4721359549995796, 5.3851648071345037, 5.0, 5.8309518948453007]
方法二：
如果使用numpy.meshgrid，则其实现为：
x=[1,2,3]
y=[4,5]
xs,ys=np.meshgrid(x,y)
z=np.sqrt(xs**2+ys**2)
得到的结果z为：
array([
[ 4.12310563, 4.47213595, 5. ],
[ 5.09901951, 5.38516481, 5.83095189]
])
具体的meshgrid做的事情是什么呢？xs,ys=np.meshgrid(x,y)时，生成了两个二位网格矩阵，查看numpy官网文档，其解释为：
numpy.meshgrid(*xi, **kwargs) Return coordinate matrices from coordinate vectors.翻译为基于坐标向量返回坐标矩阵。实际运行的结果
xs=array([
[1, 2, 3],
[1, 2, 3]])
ys=array([
[4, 4, 4],
[5, 5, 5]])
生成这样的矩阵后，就可以使用numpy的矩阵运算，包括矩阵算数运算：平方**2,二元加法运算+,一元函数运算sqrt()。
当向量比较小的时候无法看出其性能的差异，但当其设置为如下上千个值的计算时，性能的差异就显著体现出来。如： x=arange(-5,5,0.01) y=arange(6,10,0.01) 则用%time查看执行时间的结果如下： 方法一：CPU times: user 0.97 s, sys: 0.00 s, total: 0.97 s Wall time: 0.97 s 方法二：CPU times: user 0.01 s, sys: 0.00 s, total: 0.01 s Wall time: 0.01 s
总结：
矢量化是提高代码性能的重要方法，numpy的meshgrid函数给我们提供了矢量化计算的基础，是一个在大数据统计分析中不可或缺的方法。
著作权归作者所有。商业转载请联系本站作者获得授权，非商业转载请注明出处 ZZKOOK。
评论
很有用，谢谢。
都是命
正要起步，感谢分享。
三克油！
知识共享，善莫大焉