Python中如何基于向量和矩阵绘制函数图像

核心逻辑是利用numpy的广播机制对齐网格采样点和矩阵运算的维度，完全避免逐点循环，实现步骤如下：

• 先用numpy.meshgrid生成x、y轴的网格采样矩阵X、Y，和普通二维函数绘图的初始化逻辑完全一致
• 将X、Y分别展平为一维数组后按列堆叠，得到形状为(N, 向量维度)的采样点矩阵，其中N为总采样点数，每一行对应一个空间采样点的向量形式
• 直接将采样点矩阵代入带矩阵/向量参数的函数做批量运算，numpy会自动处理维度匹配，不需要单独遍历每个采样点
• 运算得到的结果是一维数组，将其reshape为和X、Y相同的形状，即可直接传入matplotlib的绘图接口使用

完整示例（二次型函数绘图） #

以下是二次型函数 f(v) = v^T A v 的实现代码，其中A为2×2参数矩阵，v为二维输入向量：

import numpy as np
import matplotlib.pyplot as plt

# 定义参数矩阵
A = np.array([[2, 1], [1, 3]])

# 生成xy平面网格
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)

# 网格转为批量向量
sample_vectors = np.stack([X.ravel(), Y.ravel()], axis=1)

# 批量计算所有采样点的函数值
Z = np.diag(sample_vectors @ A @ sample_vectors.T).reshape(X.shape)

# 3D表面绘图
fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(X, Y, Z, cmap='viridis', edgecolor='none')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('f(v)')
plt.show()

扩展说明 #

如果你的输入向量维度高于2，只需要调整stack步骤的维度即可，广播机制会自动适配批量运算逻辑，运算效率比逐点for循环高2~3个数量级。

内容的提问来源于stack exchange，提问作者Lisa