Python 如何删除圆内的一组网格点?
我正在尝试创建一个网格网格,其中没有一些点位于具有指定坐标和半径的圆内。我无法减去落在圆内的网格点。 这是我的密码Python 如何删除圆内的一组网格点?,python,numpy,matplotlib,Python,Numpy,Matplotlib,我正在尝试创建一个网格网格,其中没有一些点位于具有指定坐标和半径的圆内。我无法减去落在圆内的网格点。 这是我的密码 import math import numpy import matplotlib.pyplot as plt N = 50 x_start, x_end = -2.0, 2.0 y_start, y_end = -1.0, 1.0 x = numpy.linspace(x_start, x_end, N) y = numpy.linspace(y_start, y_
import math
import numpy
import matplotlib.pyplot as plt
N = 50
x_start, x_end = -2.0, 2.0
y_start, y_end = -1.0, 1.0
x = numpy.linspace(x_start, x_end, N)
y = numpy.linspace(y_start, y_end, N)
circle_x, circle_y, r= 0.0, 0.0, 0.4
#x.remove((r-circle_x)**2) #need some help with these two lines
#y.remove((r-circle_y)**2)
X, Y = numpy.meshgrid(x, y)
size = 10
fig = plt.figure()
plt.xlabel('x', fontsize = 16)
plt.ylabel('y', fontsize = 16)
plt.scatter(X, Y)
plt.show()
显示网格点标题的网格网格不能简单地从网格网格中删除点。相反,您应该创建另一个数组Z作为 并将其绘制为
plt.scatter(X,Y,Z)
不能删除阵列x和y中的点。这是一个二维问题,需要从x中删除的值取决于y,并且与y成反比 您可以直接对创建的X和Y网格进行操作。例如
import math
import numpy
import matplotlib.pyplot as plt
N = 200
x_start, x_end = -2.0, 2.0
y_start, y_end = -2.0, 2.0
x = numpy.linspace(x_start, x_end, N)
y = numpy.linspace(y_start, y_end, N)
circle_x, circle_y, r= 0.0, 0.0, 0.4
X, Y = numpy.meshgrid(x, y)
## Define points within circle
pts = (X-circle_x)**2+(Y-circle_y)**2 <= r**2
## Create a constant mask over grid
M = numpy.ones(X.shape)
## Assign 0 to mask for all points within circle
M[pts] = 0
size = 10
fig = plt.figure()
plt.imshow(M)
plt.show()
如果希望散点图仅包含圆外的点,请使用布尔索引仅从二维网格阵列中选择这些点:
import numpy as np
import matplotlib.pyplot as plt
N = 50
x_start, x_end = -2.0, 2.0
y_start, y_end = -1.0, 1.0
x = np.linspace(x_start, x_end, N)
y = np.linspace(y_start, y_end, N)
x0, y0, radius = 0.0, 0.0, 0.4
x, y = np.meshgrid(x, y)
r = np.sqrt((x - x0)**2 + (y - y0)**2)
outside = r > radius
fig, ax = plt.subplots()
ax.set(xlabel='X', ylabel='Y', aspect=1.0)
ax.scatter(x[outside], y[outside])
plt.show()
另一方面,如果您使用的是需要2D输入的imshow之类的东西,那么您需要像@JuliensBronck提到的那样屏蔽里面的值,尽管最好将它们设置为np.nan或使用屏蔽数组,而不是将它们设置为0或在图像上设置剪辑路径
但是,对于散布,不需要二维输入
nD数组上的布尔索引将返回1d结果。例如:
In [9]: x = np.arange(100).reshape(10, 10)
In [10]: x
Out[10]:
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
[20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
[40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
[50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
[60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
[70, 71, 72, 73, 74, 75, 76, 77, 78, 79],
[80, 81, 82, 83, 84, 85, 86, 87, 88, 89],
[90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])
In [11]: x[x > 75]
Out[11]:
array([76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92,
93, 94, 95, 96, 97, 98, 99])
因为散布只是绘制点,它不关心它们如何连接,我们可以很容易地使用布尔索引的1D结果
另一方面,如果要绘制图像,则需要二维网格。在这种情况下,您可能希望屏蔽这些值:
In [12]: np.ma.masked_where(x <= 75, x)
Out[12]:
masked_array(data =
[[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- 76 77 78 79]
[80 81 82 83 84 85 86 87 88 89]
[90 91 92 93 94 95 96 97 98 99]])
请注意,这是如何保持输入的二维结构的
另一方面,如果这是一个浮点数组,您可以同样轻松地将值设置为np.nan,而不是屏蔽它们。使用imshow打印时,两者的行为相同。我在本例中使用了掩码数组,因为x是整数数组,不能包含NaN的数组。嗨,Julien,你的第一篇关于网格图示例的文章与我想要的非常接近。问题是它实际上创建了网格点,然后隐藏了圆内的点,这就是我的理解。然而,我希望对所有存在的网格点进行进一步计算,因此我只需要那些不在圆外的网格点,仅隐藏它不会达到我的目的,但非常感谢详细的解释。这些点既不隐藏也不移除,X和Y仍然完成,所有计算仍然可以在所有网格点上执行,然后将遮罩M应用于结果。但是,如果只想对圆外的点执行计算,只需定义所需的点,然后重新指定X和Y,使其仅具有所需的点。有关示例,请参见编辑我的答案。
In [9]: x = np.arange(100).reshape(10, 10)
In [10]: x
Out[10]:
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
[20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
[40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
[50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
[60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
[70, 71, 72, 73, 74, 75, 76, 77, 78, 79],
[80, 81, 82, 83, 84, 85, 86, 87, 88, 89],
[90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])
In [11]: x[x > 75]
Out[11]:
array([76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92,
93, 94, 95, 96, 97, 98, 99])
In [12]: np.ma.masked_where(x <= 75, x)
Out[12]:
masked_array(data =
[[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- -- -- -- --]
[-- -- -- -- -- -- 76 77 78 79]
[80 81 82 83 84 85 86 87 88 89]
[90 91 92 93 94 95 96 97 98 99]])