关于meshgrid和numpy.c_以及numpy.r_
meshgrid的目的是生成两套行列数一致的矩阵，其中一个是行重复，一个是列复制；可以这么来理解，通过ravel()将矩阵数据拉平之后，就可以将这两套矩阵累加在一起，形成一个两行数据，要达到这个效果是需要行列相同，这样就能够理解meshgrid行为了。
比如下面的数据，是原始的两个数组：
t01: array([1., 2., 3.])
t02: array([4., 5.])
经过了一些meshgrid的处理之后，形成了两个矩阵：
++++++++++++ t1 ++++++++++++
array([[1., 2., 3.],
[1., 2., 3.]])
++++++++++++ t2 ++++++++++++
array([[4., 4., 4.],
[5., 5., 5.]])
那么为什么需要meshgrid呢？目的就是为下面的num.c_和numpy.r_操作做准备（至少很多时候是这样的）。前者用于将数据进行纵切（多用于生成二元组，比如坐标等），后者用于将数据拉成一行。
继续我们刚才的数据：
在进行numpy的c_和p_之前要通过ravel进行拉平（和flatten功能类似）。
++++++++++++t1.ravel()++++++++++++
array([1., 2., 3., 1., 2., 3.])
++++++++++++t2.ravel()++++++++++++
array([4., 4., 4., 5., 5., 5.])
观察一下np.c_的处理结果，你会发现其实就是将拉平为两行的数据，进行纵切，将纵切的每列元素进行合并：
++++++++++++np.c_[t1.ravel(), t2.ravel()]++++++++++++
array([[1., 4.],
[2., 4.],
[3., 4.],
[1., 5.],
[2., 5.],
[3., 5.]])
下面是np.r_的操作，其实就是将两个矩阵，进行横切，然后合并（合并为一行了）。
其实，并不这么简单，其实如果你再一次看一下数据的组合，你会发现，这两组数据各自组合了一次，1和4,5组合了，2和4,5组合，3和4,5组合；所有的数据之间都进行组合；meshgrid很多的场景都是用在获取整个平面均匀的点，一般都是通过np.linspace来搞定的X轴，y轴均匀的点；然后对于这些点利用meshgrid，np.c_以及ravel函数，是的这些点之间形成各种组合，获取一个比较全面的点集，点集覆盖了整个平面；
++++++++++++np.r_[t1.ravel(), t2.ravel()]++++++++++++
[1. 2. 3. 1. 2. 3. 4. 4. 4. 5. 5. 5.]
还有稍微复杂一些的情况，如果你操作的直接就是向量，要注意，你操作的是向量，一组数据作为一个元素：
++++++++++++np.c_[np.array([[1,2,3]]), np.array([[4,5,6]])]++++++++++++
[[1 2 3 4 5 6]]
结果是对的，因为还是纵切，但是切出了还是纵向的两个元素[[123]]，[[456]]，然后进行合并于是有了[[123456]]。
关于c_：
++++++++++++np.r_[np.array([[1,2,3]]), np.array([[4,5,6]])]++++++++++++
[[1 2 3]
[4 5 6]]
代码如下：
1 t01 = np.linspace(1, 3, 3) 2 t02 = np.linspace(4, 5, 2) 3 pprint(t01) 4 pprint(t02) 5 6 t1, t2= np.meshgrid(t01, t02) 7 print("++++++++++++ t1 ++++++++++++") 8 pprint(t1) 9 print("++++++++++++ t2 ++++++++++++") 10 pprint(t2) 11 12 t = np.c_[t1.ravel(), t2.ravel()] 13 print("++++++++++++t1.ravel()++++++++++++") 14 pprint(t1.ravel()) 15 print("++++++++++++t2.ravel()++++++++++++") 16 pprint(t2.ravel()) 17 print("++++++++++++np.c_[t1.ravel(), t2.ravel()]++++++++++++") 18 pprint(t) 19 20 print('++++++++++++np.r_[t1.ravel(), t2.ravel()]++++++++++++') 21 t3=np.r_[t1.ravel(), t2.ravel()] 22 print(t3) 23 24 t4 = np.c_[np.array([[1,2,3]]), np.array([[4,5,6]])] 25 print('++++++++++++np.c_[np.array([[1,2,3]]), np.array([[4,5,6]])]++++++++++++') 26 print(t4) 27 28 t5 = np.r_[np.array([[1,2,3]]), np.array([[4,5,6]])] 29 print('++++++++++++np.r_[np.array([[1,2,3]]), np.array([[4,5,6]])]++++++++++++') 30 print(t5)
输出：
array([1., 2., 3.])
array([4., 5.])
++++++++++++ t1 ++++++++++++
array([[1., 2., 3.],
[1., 2., 3.]])
++++++++++++ t2 ++++++++++++
array([[4., 4., 4.],
[5., 5., 5.]])
++++++++++++t1.ravel()++++++++++++
array([1., 2., 3., 1., 2., 3.])
++++++++++++t2.ravel()++++++++++++
array([4., 4., 4., 5., 5., 5.])
++++++++++++np.c_[t1.ravel(), t2.ravel()]++++++++++++
array([[1., 4.],
[2., 4.],
[3., 4.],
[1., 5.],
[2., 5.],
[3., 5.]])
++++++++++++np.r_[t1.ravel(), t2.ravel()]++++++++++++
[1. 2. 3. 1. 2. 3. 4. 4. 4. 5. 5. 5.]
++++++++++++np.c_[np.array([[1,2,3]]), np.array([[4,5,6]])]++++++++++++
[[1 2 3 4 5 6]]
++++++++++++np.r_[np.array([[1,2,3]]), np.array([[4,5,6]])]++++++++++++
[[1 2 3]
[4 5 6]]
