scipy.interpolate.SmoothSphereBivariateSpline.

__call__

SmoothSphereBivariateSpline.__call__(theta, phi, dtheta=0, dphi=0, grid=True)

在给定位置评估样条或其导数。

参数:

theta, phiarray_like

输入坐标。

如果 grid 为 False，则在点 (theta[i], phi[i]), i=0, ..., len(x)-1 处评估样条。遵守标准 Numpy 广播规则。

如果 grid 为 True：在由坐标数组 theta, phi 定义的网格点处评估样条。这些数组必须按升序排列。轴的顺序与 np.meshgrid(..., indexing="ij") 一致，而与默认顺序 np.meshgrid(..., indexing="xy") 不一致。

dthetaint, 可选

theta 导数的阶数

在版本 0.14.0 中添加。

dphiint

phi 导数的阶数

在版本 0.14.0 中添加。

gridbool

是否在输入数组跨越的网格上评估结果，还是在输入数组指定的点上评估。

在版本 0.14.0 中添加。

示例

在您的浏览器中尝试一下！

假设我们想使用样条在球面上插值一个二元函数。该函数的值在经度和余纬度的网格上已知。

>>> import numpy as np
>>> from scipy.interpolate import RectSphereBivariateSpline
>>> def f(theta, phi):
...     return np.sin(theta) * np.cos(phi)

我们在网格上评估该函数。请注意，meshgrid 的默认 indexing=”xy” 会导致插值后出现意外（转置）结果。

>>> thetaarr = np.linspace(0, np.pi, 22)[1:-1]
>>> phiarr = np.linspace(0, 2 * np.pi, 21)[:-1]
>>> thetagrid, phigrid = np.meshgrid(thetaarr, phiarr, indexing="ij")
>>> zdata = f(thetagrid, phigrid)

接下来，我们设置插值器，并使用它在更精细的网格上评估该函数。

>>> rsbs = RectSphereBivariateSpline(thetaarr, phiarr, zdata)
>>> thetaarr_fine = np.linspace(0, np.pi, 200)
>>> phiarr_fine = np.linspace(0, 2 * np.pi, 200)
>>> zdata_fine = rsbs(thetaarr_fine, phiarr_fine)

最后，我们绘制粗采样输入数据和细采样插值数据，以检查它们是否一致。

>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(1, 2, 1)
>>> ax2 = fig.add_subplot(1, 2, 2)
>>> ax1.imshow(zdata)
>>> ax2.imshow(zdata_fine)
>>> plt.show()

返回在新标签页中打开