百度360必应搜狗淘宝本站头条
nodejsbufferorg.jsoupsetnocountoncv2.bitwise_nottime.strptime
当前位置：网站首页 > 编程字典 > 正文

scipy.interpolate 插值子模块件（spline插值原理）

toyiye 2024-07-11 00:27 13 浏览 0 评论

菜鸟教程(scipy): 
https://www.runoob.com/scipy/scipy-module.html


scipy.interpolate:
https://docs.scipy.org/doc/scipy/tutorial/interpolate.html

## Scipy(02)：scipy.interpolate 插值子模块


### 1 一维插值

#### 1.1 interp1d()

# 1.线性插值

# 2.临近点插值

# 3.前点插值

# 4.后点插值

# 5.零阶样条插值

# 6.一阶样条插值

# 7.三阶样条插值

# 8.五阶样条插值


### 2 二维插值

#### 2.1 interp2d()

# 1.线性插值

# 2.三阶样条插值

# 3.五阶样条插值


### 3 离散数据插值到网格

#### 3.1 griddata()

# 1.nearest 临近点插值

# 2.linear 线性插值

# 3.cubic 三阶样条插值

### 1 一维插值

已知离散点数据集，构造一个解析函数，使得函数曲线经过这些点，并能够求出曲线上其他点的值，这一过程称为一维插值。

#### 1.1 interp1d()

scipy.interpolate.interp1d(x,y,kind)

参数x和参数y表示离散点的x坐标和y坐标，参数kind用于指定插值方法。

kind:插值方法：

1.线性插值

2.临近点插值

3.前点插值

4.后点插值

5.零阶样条插值

6.一阶样条插值

7.三阶样条插值

8.五阶样条插值

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


# 原始样本点
x = np.linspace(0,10,11)
y = np.exp(-np.sin(x)/3.0)


fig = plt.figure(figsize=(6,4), dpi=100, facecolor='#eaeaea' )
plt.rcdefaults()


plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False


ax = fig.add_subplot()
ax1.plot(x,y,'o',label='原始数据')
ax1.legend()
# 插值获取更多的点，注意因为是插值，所以x的范围不能超过原来的x范围
x_new = np.linspace(0,10,100)
# 根据原始样本点，按照不同插值方法，获取函数，计算插值后的数值
fig = plt.figure( figsize=(12,10), dpi=100, facecolor="#eaeaea")


# 1.线性插值
f_linear = interpolate.interp1d(x,y,kind='linear')
y_new = f_linear(x_new)
ax1 = fig.add_subplot(4,2,1)
ax1.plot(x_new,f_linear(x_new),'.',label='线性插值')
ax1.plot(x,y,'.',c='r',label='原始数')
ax1.legend()


# 2.临近点插值
f_nearest = interpolate.interp1d(x,y,kind='nearest')
ax2 = fig.add_subplot(4,2,2)
ax2.plot(x_new,f_nearest(x_new),'.',label='临近点插值')
ax2.plot(x,y,'.',c='r',label='原始数据')
ax2.legend()


# 3.前点插值
f_previous = interpolate.interp1d(x,y,kind='previous')
ax3 = fig.add_subplot(4,2,3)
ax3.plot(x_new,f_previous(x_new),'.',label='前点插值')
ax3.plot(x,y,'.',c='r',label='原始数据')
ax3.legend()


# 4.后点插值
f_next = interpolate.interp1d(x,y,kind='next')
ax4 = fig.add_subplot(4,2,4)
ax4.plot(x_new,f_next(x_new),'.',label='后点插值')
ax4.plot(x,y,'.',c='r',label='原始数据')
ax4.legend()


# 5.零阶样条插值
f_zero = interpolate.interp1d(x,y,kind='zero')
ax5 = fig.add_subplot(4,2,5)
ax5.plot(x_new,f_zero(x_new),'.',label='零阶样条插值')
ax5.plot(x,y,'.',c='r',label='原始数据')
ax5.legend()
         
# 6.一阶样条插值
f_slinear = interpolate.interp1d(x,y,kind='slinear')    
ax6 = fig.add_subplot(4,2,6)
ax6.plot(x_new,f_slinear(x_new),'.',label='一阶样条插值')
ax6.plot(x,y,'.',c='r',label='原始数据')
ax6.legend()  


# 7.三阶样条插值
f_cubic = interpolate.interp1d(x,y,kind='cubic')
ax7 = fig.add_subplot(4,2,7)
ax7.plot(x_new,f_cubic(x_new),'.',label='三阶样条插值')
ax7.plot(x,y,'.',c='r',label='原始数据')
ax7.legend()


# 8.五阶样条插值
f_quadratic = interpolate.interp1d(x,y,kind='quadratic')
ax8 = fig.add_subplot(4,2,8)
ax8.plot(x_new,f_quadratic(x_new),'.',label='五阶样条插值')
ax8.plot(x,y,'.',c='r',label='原始数据')
ax8.legend()


#wspace 子图横向间距， hspace 代表子图间的纵向距离，left 代表位于图像不同位置
plt.subplots_adjust(left=None, bottom=0.15, right=None, top=None, wspace=0.2, hspace=0.6)

### 2 二维插值

#### 2.1 interp2d()

scipy.interpolate.interp2d(x,y,z,kind)

参数x,y,z是用来逼近函数z=f(x,y)的数组，x和y是一维数组，z是二维数组，kind用于指定插值方法

kind插值方法：

1.线性插值 linear

2.三阶样条插值 cubic

3.五阶样条插值 quadratic

为了测量一个长6m，宽4m的房间的地暖温度，再房间地面上均匀设置了20行30列的温度传感器矩阵，输出一个20行30列的二维数组，数组的每一个元素对应一个传感器的实测温度

import numpy as np
import matplotlib.pyplot as plt


# 生成20行，30列矩阵
y,x = np.mgrid[-2:2:20j,-3:3:30j]
# 模拟温度数据
z = x*np.exp( -x**2-y**2)*10 + 20


plt.pcolor(x,y,z, cmap=plt.cm.hsv)
plt.colorbar()
plt.axis('equal')
plt.show()
# 插值目标,80行120列
y_new,x_new = np.mgrid[-2:2:80j,-3:3:120j]


# 插值时要求输入的是一维,所以使用的时候，其实很方便
print(x[0,:],'\n',y[:,0])


[-3.         -2.79310345 -2.5862069  -2.37931034 -2.17241379 -1.96551724
 -1.75862069 -1.55172414 -1.34482759 -1.13793103 -0.93103448 -0.72413793
 -0.51724138 -0.31034483 -0.10344828  0.10344828  0.31034483  0.51724138
  0.72413793  0.93103448  1.13793103  1.34482759  1.55172414  1.75862069
  1.96551724  2.17241379  2.37931034  2.5862069   2.79310345  3.        ] 
 [-2.         -1.78947368 -1.57894737 -1.36842105 -1.15789474 -0.94736842
 -0.73684211 -0.52631579 -0.31578947 -0.10526316  0.10526316  0.31578947
  0.52631579  0.73684211  0.94736842  1.15789474  1.36842105  1.57894737
  1.78947368  2.        ]
from scipy import interpolate


# 绘图设置
fig = plt.figure( figsize=(12,10),dpi=100)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False


# 原始数据
ax1 = fig.add_subplot(2,2,1)
ax1.set_title("原始数据")
mappable = ax1.pcolormesh( x,y,z, cmap=plt.cm.jet )
plt.colorbar(mappable,ax=ax1)


# 线性插值
f1 = interpolate.interp2d( x[0,:], y[:,0], z, kind='linear')
# 生成插值数据
z1 = f1(x_new[0,:], y_new[:,0])
# 绘图
ax2 = fig.add_subplot(2,2,2)
ax2.set_title('线性插值')
mappable = ax2.pcolor(x_new,y_new,z1, cmap=plt.cm.jet)
fig.colorbar(mappable,ax=ax2)




# 三阶样条插值
f2 = interpolate.interp2d( x[0,:], y[:,0], z, kind='cubic')
z2 = f2(x_new[0,:], y_new[:,0])
ax3 = fig.add_subplot(2,2,3)
ax3.set_title("三阶样条插值")
mappable = ax3.pcolor( x_new,y_new,z2, cmap=plt.cm.jet )
plt.colorbar(mappable,ax=ax3)




# 五阶样条插值
f3 = interpolate.interp2d( x[0,:], y[:,0], z, kind='quintic')
z3 = f3(x_new[0,:], y_new[:,0])
ax4 = fig.add_subplot(2,2,4)
ax4.set_title('五阶样条插值')
mappable = ax4.pcolor(x_new,y_new,z3, cmap=plt.cm.jet)
fig.colorbar(mappable,ax=ax4)


#wspace 子图横向间距， hspace 代表子图间的纵向距离，left 代表位于图像不同位置
plt.subplots_adjust(left=None, bottom=0.15, right=None, top=None, wspace=0.2, hspace=0.4)

### 3 离散数据插值到网格

#### 3.1 griddata

griddata（points，values，xi，method =‘linear’，fill_value = nan，rescale = False ）

参数：points：离散数据点的位置信息元素

values：离散数据点的值

xi:网格数据

method：nearest 临近点插值

：linear 线性插值

：cubic 三阶样条插值

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


lons = np.random.random(300)*180  # 经度从0-180°，随机生成300个点
lats = np.random.random(300)*90   # 纬度从0-90°，随机生成300个点
# 生成300个温度点
temperature = ((lons-90)/45)*np.exp(-((lons-90)/45)**2-((lats-45)/45)**2)


# 将矩形区域裁剪成三角形区域,网格数据变成了离散数据
triangle = np.where( ( (lons<90)&(lats<lons) )|((lons>=90)&(lats<180-lons)) )
lons = lons[triangle]
lats = lats[triangle]
temperature = temperature[triangle]


# 绘图
fig = plt.figure( figsize=(8,6),dpi=120 )
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False


plt.title('原始数据')
plt.scatter( lons, lats, s=3, c=temperature, cmap=plt.cm.hsv )
plt.colorbar()
plt.axis('equal')
plt.xlabel('lons')
plt.ylabel('lats')
# 生成目标网格
lat_grid,lon_grid = np.mgrid[0:90:91j,0:180:181j]
lon_grid


array([[  0.,   1.,   2., ..., 178., 179., 180.],
       [  0.,   1.,   2., ..., 178., 179., 180.],
       [  0.,   1.,   2., ..., 178., 179., 180.],
       ...,
       [  0.,   1.,   2., ..., 178., 179., 180.],
       [  0.,   1.,   2., ..., 178., 179., 180.],
       [  0.,   1.,   2., ..., 178., 179., 180.]])
# 先画一下原始图片
fig = plt.figure( figsize=(10,8),dpi=100)
ax1 = fig.add_subplot(2,2,1)
mappable = ax1.scatter( lons, lats, s=3, c=temperature, cmap=plt.cm.hsv )
ax1.set_title('原始数据')
ax1.set_xlabel('lons')
ax1.set_ylabel('lats')
ax1.axis('equal')
plt.colorbar(mappable, ax=ax1)


# 临近点插值
temp_nearest = griddata((lons,lats), temperature, (lon_grid,lat_grid), method='nearest')
ax2 = fig.add_subplot(2,2,2)
mappable = ax2.scatter( lon_grid, lat_grid, s=3, c=temp_nearest, cmap=plt.cm.hsv )
ax2.set_title('临近点插值')
ax2.set_xlabel('lons')
ax2.set_ylabel('lats')
ax2.axis('equal')
plt.colorbar(mappable, ax=ax2)


# 线性插值
temp_linear = griddata((lons,lats), temperature, (lon_grid,lat_grid), method='linear')
plt.subplot(2,2,3)
plt.scatter( lon_grid, lat_grid, s=3, c=temp_linear, cmap=plt.cm.hsv )
plt.title('线性插值')
plt.colorbar()
plt.axis('equal')


# 三阶样条插值
temp_cubic = griddata((lons,lats), temperature, (lon_grid,lat_grid), method='cubic',fill_value=0)
plt.subplot(2,2,4)
plt.scatter( lon_grid, lat_grid, s=3, c=temp_cubic, cmap=plt.cm.hsv )
plt.title('三阶样条插值')
plt.colorbar()
plt.axis('equal')


plt.subplots_adjust(left=None, bottom=0.15, right=None, top=None, wspace=0.2, hspace=0.4)
plt.show()

相关推荐

为何越来越多的编程语言使用JSON（为什么编程）

JSON是JavascriptObjectNotation的缩写，意思是Javascript对象表示法，是一种易于人类阅读和对编程友好的文本数据传递方法，是JavaScript语言规范定义的一个子...

何时在数据库中使用 JSON（数据库用json格式存储）

在本文中，您将了解何时应考虑将JSON数据类型添加到表中以及何时应避免使用它们。每天?分享?最新?软件?开发?，Devops，敏捷?，测试?以及?项目?管理?最新?，最热门?的?文章?，每天?花?...

MySQL 从零开始:05 数据类型（mysql数据类型有哪些,并举例）

前面的讲解中已经接触到了表的创建，表的创建是对字段的声明，比如：上述语句声明了字段的名称、类型、所占空间、默认值和是否可以为空等信息。其中的int、varchar、char和decimal都...

JSON对象花样进阶（json格式对象）

一、引言在现代Web开发中，JSON（JavaScriptObjectNotation）已经成为数据交换的标准格式。无论是从前端向后端发送数据，还是从后端接收数据，JSON都是不可或缺的一部分。...

深入理解 JSON 和 Form-data（json和formdata提交区别）

在讨论现代网络开发与API设计的语境下，理解客户端和服务器间如何有效且可靠地交换数据变得尤为关键。这里，特别值得关注的是两种主流数据格式：...

JSON 语法（json 语法 priority）

JSON语法是JavaScript语法的子集。JSON语法规则JSON语法是JavaScript对象表示法语法的子集。数据在名称/值对中数据由逗号分隔花括号保存对象方括号保存数组JS...

JSON语法详解（json的语法规则）

JSON语法规则JSON语法是JavaScript对象表示法语法的子集。数据在名称/值对中数据由逗号分隔大括号保存对象中括号保存数组注意：json的key是字符串,且必须是双引号，不能是单引号...

MySQL JSON数据类型操作（mysql的json）

概述mysql自5.7.8版本开始，就支持了json结构的数据存储和查询，这表明了mysql也在不断的学习和增加nosql数据库的有点。但mysql毕竟是关系型数据库，在处理json这种非结构化的数据...

JSON的数据模式（json数据格式示例）

像XML模式一样，JSON数据格式也有Schema，这是一个基于JSON格式的规范。JSON模式也以JSON格式编写。它用于验证JSON数据。JSON模式示例以下代码显示了基本的JSON模式。{"...

前端学习——JSON格式详解（后端json格式）

JSON(JavaScriptObjectNotation)是一种轻量级的数据交换格式。易于人阅读和编写。同时也易于机器解析和生成。它基于JavaScriptProgrammingLa...

什么是 JSON:详解 JSON 及其优势（什么叫json）

现在程序员还有谁不知道JSON吗？无论对于前端还是后端，JSON都是一种常见的数据格式。那么JSON到底是什么呢？JSON的定义...

PostgreSQL JSON 类型:处理结构化数据

PostgreSQL提供JSON类型，以存储结构化数据。JSON是一种开放的数据格式，可用于存储各种类型的值。什么是JSON类型？JSON类型表示JSON(JavaScriptO...

JavaScript:JSON、三种包装类（javascript 包）

JOSN:我们希望可以将一个对象在不同的语言中进行传递，以达到通信的目的，最佳方式就是将一个对象转换为字符串的形式JSON（JavaScriptObjectNotation）-JS的对象表示法...

Python数据分析 只要1分钟 教你玩转JSON 全程干货

Json简介：Json，全名JavaScriptObjectNotation,JSON(JavaScriptObjectNotation(记号、标记))是一种轻量级的数据交换格式。它基于J...

比较一下JSON与XML两种数据格式?（json和xml哪个好）

JSON（JavaScriptObjectNotation）和XML（eXtensibleMarkupLanguage）是在日常开发中比较常用的两种数据格式，它们主要的作用就是用来进行数据的传...

取消回复欢迎 你 发表评论:

请填写验证码
一周热门
最近发表
标签列表