InterpolatedUnivariateSpline#
- class scipy.interpolate.InterpolatedUnivariateSpline(x, y, w=None, bbox=[None, None], k=3, ext=0, check_finite=False)[源码]#
用于给定数据集的一维插值样条。
遗留
此类被视为遗留类,将不再接收更新。虽然我们目前没有删除它的计划,但我们建议新代码使用更现代的替代方案。具体来说,我们建议改用
make_interp_spline
。将 k 次样条函数 y = spl(x) 拟合到提供的 x, y 数据。样条函数通过所有提供的点。等同于
UnivariateSpline
且 s = 0。- 参数:
- x(N,) 数组类对象
数据点的输入维度 – 必须严格递增
- y(N,) 数组类对象
数据点的输入维度
- w(N,) 数组类对象, 可选
样条拟合的权重。必须为正。如果为 None(默认),则所有权重均为 1。
- bbox(2,) 数组类对象, 可选
指定逼近区间边界的2元序列。如果为 None(默认),则
bbox=[x[0], x[-1]]
。- kint, 可选
平滑样条的度数。必须是
1 <= k <= 5
。默认值为k = 3
,即三次样条。- extint 或 str, 可选
控制不位于节点序列定义区间内的元素的外推模式。
如果 ext=0 或 ‘extrapolate’,则返回外推值。
如果 ext=1 或 ‘zeros’,则返回 0
如果 ext=2 或 ‘raise’,则抛出 ValueError
如果 ext=3 或 ‘const’,则返回边界值。
默认值为 0。
- check_finitebool, 可选
是否检查输入数组仅包含有限数字。禁用此项可能会提高性能,但如果输入包含无穷大或 NaN,则可能导致问题(崩溃、无法终止或不合理的结果)。默认值为 False。
方法
__call__
(x[, nu, ext])在位置 x 处评估样条(或其 nu 阶导数)。
antiderivative
([n])构造一个表示此样条反导数的新样条。
derivative
([n])构造一个表示此样条导数的新样条。
derivatives
(x)返回样条在点 x 处的所有导数。
返回样条系数。
返回样条内部节点的坐标。
返回样条逼近的平方残差加权和。
integral
(a, b)返回样条在两个给定点之间的定积分。
roots
()返回样条的零点。
使用给定的平滑因子 s 和上次调用时找到的节点继续样条计算。
validate_input
另请参阅
UnivariateSpline
一个平滑的单变量样条,用于拟合给定数据集。
LSQUnivariateSpline
一个由用户选择节点的样条
SmoothBivariateSpline
一个通过给定点的平滑二元样条
LSQBivariateSpline
一个使用加权最小二乘拟合的二元样条
splrep
一个用于查找一维曲线的B样条表示的函数
splev
一个用于评估B样条或其导数的函数
sproot
一个用于查找三次B样条根的函数
splint
一个用于评估B样条在两个给定点之间的定积分的函数
spalde
一个用于评估B样条所有导数的函数
注释
数据点的数量必须大于样条的度数 k。
示例
>>> import numpy as np >>> import matplotlib.pyplot as plt >>> from scipy.interpolate import InterpolatedUnivariateSpline >>> rng = np.random.default_rng() >>> x = np.linspace(-3, 3, 50) >>> y = np.exp(-x**2) + 0.1 * rng.standard_normal(50) >>> spl = InterpolatedUnivariateSpline(x, y) >>> plt.plot(x, y, 'ro', ms=5) >>> xs = np.linspace(-3, 3, 1000) >>> plt.plot(xs, spl(xs), 'g', lw=3, alpha=0.7) >>> plt.show()
请注意
spl(x)
会对 y 进行插值>>> spl.get_residual() 0.0