scipy.interpolate.

InterpolatedUnivariateSpline

class scipy.interpolate.InterpolatedUnivariateSpline(x, y, w=None, bbox=[None, None], k=3, ext=0, check_finite=False)

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。
get_coeffs()	返回样条系数。
get_knots()	返回样条内部节点的坐标。
get_residual()	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。
set_smoothing_factor(s)	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

在浏览器中尝试！

>>> 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

返回在新标签页中打开