1.为什么代码中有2个meshgrid？

parse_3d_function返回3个数组，包括x_data和y_data，它们是在此函数中通过以下方式获得的：

x_data = np.linspace(self.x_range[0], self.x_range[1], 101)
        y_data = np.linspace(self.x_range[0], self.x_range[1], 101)

        x_data, y_data = np.meshgrid(x_data, y_data)

字符串
然后你在plot_3d里面做的是

x_data, y_data, z_data = self.function_processor.parse_3d_function()
        x_data, y_data = meshgrid(x_data, y_data)

型
那么x_data, y_data是一个网格的网格？
这意味着一些东西，当然，但可能不是你想要的

2.这里没有zip

如果你想计算x和y所有可能组合z，那么不要使用zip！

z_data = np.array([function.subs({x: xi, y: yi}) for xi, yi in zip(x_data, y_data)])

型
可能也没有达到你的预期。这里的xi和yi是x和y值的“行”。如果“function.subs”是矢量化的，那么就没有问题。它可以在一整行x和y上工作，并计算一行结果。但如果是这样，那么，为什么不直接调用function.subs({x:x_data, y:y_data})呢？如果它是矢量化的，那么它也应该工作。
另一方面，如果函数没有被向量化，也就是说，如果x和y被认为只是标量，那么zip不会下降2步。它不会并行地对两个网格进行2嵌套循环迭代。
你得自己去。例如（仍然使用您的“纯Python复合列表”样式。但最好的方法应该是依靠矢量化。我们不知道你的function.sub是什么，但如果它来自sympify，它可能不是。
所以呢

z_data = np.array([[function.subs({x:x, y:y}) for x in x_data] for y in y_data])

型
其中x_data和y_data是1d阵列（因此在此之前没有meshgrid）

3.无网格：广播

而且，顺便说一句，如果是矢量化的，那么它是meshgrid不必要使用的另一个例子。广播就足够了。

x_data = np.linspace(self.x_range[0], self.x_range[1], 101)
y_data = np.linspace(self.x_range[0], self.x_range[1], 101)
z_data = fn(x_data[None,:], y_data[:,None])
# ...
ax.plot_surface(x_data[None,:], y_data[:,None], z_data)

型
meshgrid在这里所做的就是浪费好的内存。另外，function.subs内部可能有一些优化，因为x和y本质上是两个一维数组，而不是二维数组。例如，如果你正在计算x²+y²，那么x_data[None,:]**2+y_data[:,None]**2是2N **2运算（N对x，N对y），然后是N²加法。而x,y=np.meshgrid(x_data,y_data); x**2+y**2是2N² **2操作（N²用于x，N²用于y）和N²加法。不算meshgrid本身的成本。
所以，广播时没有网格就足够了。
在这里，你没有任何向量化的函数。但是正如您所看到的（本答案的第2节），计算z的网格的方法也不使用meshgrid

x_data = np.linspace(self.x_range[0], self.x_range[1], 101)
y_data = np.linspace(self.x_range[0], self.x_range[1], 101)
z_data = np.array([[function.subs({x:x, y:y}) for x in x_data] for y in y_data])
# ...
ax.plot_surface(x_data[None,:], y_data[:,None], z_data)

型

4.`function.subs矢量化

你可以通过某种方式将这个函数向量化，这样它的行为就更像一个经典的numpy函数

fn=np.vectorized(lambda xi,yi:function.subs({x:xi,y:yi}))
x_data = np.linspace(self.x_range[0], self.x_range[1], 101)
y_data = np.linspace(self.x_range[0], self.x_range[1], 101)
z_data = fn(x_data[None,:], y_data[:,None])
ax.plot_surface(x_data[None,:], y_data[:,None], z_data)

型
它不能提供有意义的加速。Is不是真正的向量化（function.subs仍然被调用101²次）。但它有一个好处，让你回到一个非常经典的情况：我有x和y的向量，我想通过numpy运算来计算所有可能的x和y的z。这是由一个

ax.plot_surface(x_data[None,:], y_data[:,None], numpyOp(x_data[None,:], y_data[:,None]))

型
这就是我做的，一旦我向量化你的函数。
(Well，在现实中，如果我相信我经常在这里看到的，它是“经典”完成与

xx,yy=np.meshgrid(x_data,y_data)
ax.plot_surface(xx,yy,numpyOp(xx,yy))

型
但是，正如我所说，这是一个错误。就像你看到的meshgrid的95%的使用一样，这是对内存和计算时间的浪费，可以通过广播更好地完成）