Matplotlib - 在streamplot()中使用一维数组

所以我发现之前有两个类似的问题在这里问过：

当x坐标、y坐标、x速度和y速度的一维数据可用时，如何使用streamplot函数？ https://stackoverflow.com/questions/33637693/how-to-use-streamplot-function-when-1d-data-of-x-coordinate-y-coordinate-x-vel

给定 X 线、Y 线、U 分量和 V 分量的一维数组，如何使用 Matplotlib 绘制流线 https://stackoverflow.com/questions/32774976/how-to-plot-streamlines-with-matplotlib-given-1-d-arrays-of-x-cords-y-cords-u

第一个问题涉及不同大小的数组（这不是我的情况，在我的示例中，X、Y、U 和 V 将始终具有相同的长度），而第二个问题确实提供了更多进展，稍后在问题中变得难以理解并且没有提供解决方案。

继续我的问题，我有 4 个一维数组、每个向量所在位置的 X 坐标和 Y 坐标，然后是每个向量各自的 U 和 V 值。我正在尝试使用streamplot将向量场（我可以在.quiver中正确可视化）可视化为流线可视化，但我遇到了制作U和V 2D的问题。我不完全理解 U 和 V 的第二个维度需要包含什么，因此任何澄清（理想情况下代码会很棒）。

我可以提供的唯一代码是我对第二个链接的实现，但这对我不起作用，因此将被废弃。

使用网格数据 http://scipy-cookbook.readthedocs.org/items/Matplotlib_Gridding_irregularly_spaced_data.html（也可以看看scipy.interpolate.griddata http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.griddata.html#scipy.interpolate.griddata）将一维数据插值到二维网格。

import numpy as np
import matplotlib.pyplot as plt
import scipy.interpolate as interpolate

# lowercase variables are 1D arrays
x = np.linspace(0, 2 * np.pi, 10)
y = np.sin(x)
u = np.cos(x)
v = np.sin(x)

# capitalized variables are 2D arrays
xi = np.linspace(x.min(), x.max(), 100)
yi = np.linspace(y.min(), y.max(), 100)
X, Y = np.meshgrid(xi, yi)
U = interpolate.griddata((x, y), u, (X, Y), method='cubic')
V = interpolate.griddata((x, y), v, (X, Y), method='cubic')

plt.figure()
plt.quiver(x, y, u, v, scale_units='xy', angles='xy', scale=1.5)
plt.streamplot(X, Y, U, V, color=U**2+V**2, linewidth=2, cmap=plt.cm.autumn)
plt.show()

import numpy as np
import matplotlib.pyplot as plt
import scipy.interpolate as interpolate

# lowercase variables are 1D arrays
x = np.array([1,2,3,4,5])
y = np.array([3,1,5,1,3])
u = np.array([1,1,0,-1,-1])
v = np.array([-0.5,1,-1,1,-0.5])

# capitalized variables are 2D arrays
xi = np.linspace(x.min(), x.max(), 100)
yi = np.linspace(y.min(), y.max(), 100)
X, Y = np.meshgrid(xi, yi)
U = interpolate.griddata((x, y), u, (X, Y), method='nearest')
V = interpolate.griddata((x, y), v, (X, Y), method='nearest')

plt.figure()
plt.quiver(x, y, u, v, scale_units='xy', angles='xy', scale=1.5)
plt.streamplot(X, Y, U, V, color=U**2+V**2, linewidth=2, cmap=plt.cm.autumn)
plt.show()

yields