如何基于已生成的x、y meshgrid为等高线图高效计算Z值

你已经通过meshgrid生成的x、y均为 shape 匹配的二维数组，numpy 天然支持数组级的批量运算，无需编写 Python 层面的 for 循环即可完成 Z 矩阵生成，运行效率远高于暴力循环实现。

可选实现方案 #

• 方案1：原生向量化运算（性能最优）
  如果你的Z值计算逻辑可通过 numpy 自带的算术、三角函数、统计方法等API拼接实现，直接对x、y数组整体运算即可：

# 示例逻辑：Z = 2x + 3y + e^(-(x²+y²))，直接整体运算
Z = 2 * x + 3 * y + np.exp(-(x**2 + y**2))

所有运算均在 numpy 底层C层面执行，无Python循环开销，是所有场景下的优先选择。

• 方案2：自定义逐点计算逻辑适配
  如果Z值计算涉及多条件判断等无法直接用numpy原生API拼接的复杂逻辑，可选择以下两种实现：

  1. np.vectorize快速包装
     该方法是numpy提供的语法糖，可直接将接收单个x、y输入的自定义函数适配为数组输入，省去手动写循环的代码：

  # 自定义逐点计算函数，输入为单个x、y值，输出单个z值
  def custom_calc(x_val, y_val):
      # 此处替换为你的自定义计算逻辑
      if x_val > y_val:
          return np.log(x_val - y_val) + y_val
      else:
          return np.sin(x_val * y_val) * 10
  
  # 包装为支持数组输入的函数
  vec_calc = np.vectorize(custom_calc)
  # 直接传入整个x、y数组生成Z矩阵
  Z = vec_calc(x, y)
  

  注意：该方法本质还是在Python层遍历所有网格点，仅简化了代码写法，性能提升有限，适合网格规模小、逻辑简单的场景。

  2. numba JIT编译加速（复杂逻辑最优）
     对于网格点数量大、计算逻辑复杂的场景，可通过numba的JIT装饰器将自定义函数编译为机器码执行，性能接近原生C实现：

  from numba import jit
  import numpy as np
  
  # njit参数表示编译为无Python依赖的机器码
  @jit(nopython=True)
  def numba_calc(x, y):
      m, n = x.shape
      Z = np.zeros((m, n))
      # 此处可直接写循环，numba会自动加速
      for i in range(m):
          for j in range(n):
              xv = x[i,j]
              yv = y[i,j]
              # 此处替换为你的自定义计算逻辑
              if xv > yv:
                  Z[i,j] = np.log(xv - yv) + yv
              else:
                  Z[i,j] = np.sin(xv * yv) * 10
      return Z
  
  Z = numba_calc(x, y)
  

小提示：生成的Z数组shape需要和x、y完全一致，才能直接传入matplotlib.pyplot.contour/contourf等接口绘制等高线。

内容的提问来源于stack exchange，提问作者Joe Wilson