scipy.interpolate.

LSQSphereBivariateSpline

class scipy.interpolate.LSQSphereBivariateSpline(theta, phi, r, tt, tp, w=None, eps=1e-16)

球坐标系中的加权最小二乘二元样条近似。

根据给定的一组 theta 和 phi 方向上的结点，确定一个平滑的双三次样条。

在 0.11.0 版本中添加。

参数:

theta, phi, r数组型

1-D 数据点序列（顺序不重要）。坐标必须以弧度表示。Theta 必须在区间 [0, pi] 内，phi 必须在区间 [0, 2pi] 内。

tt, tp数组型

严格有序的 1-D 结点坐标序列。坐标必须满足 0 < tt[i] < pi，0 < tp[i] < 2*pi。

w数组型, 可选

正的 1-D 权重序列，长度与 theta、phi 和 r 相同。

eps浮点型, 可选

用于确定超定线性方程组有效秩的阈值。eps 的值应在开区间 (0, 1) 内，默认值为 1e-16。

方法

__call__(theta, phi[, dtheta, dphi, grid])	在给定位置评估样条或其导数。
ev(theta, phi[, dtheta, dphi])	在点处评估样条
get_coeffs()	返回样条系数。
get_knots()	返回一个元组 (tx,ty)，其中 tx,ty 分别包含样条相对于 x、y 变量的结点位置。
get_residual()	返回样条近似的平方残差加权和：sum ((w[i]*(z[i]-s(x[i],y[i])))**2,axis=0)
partial_derivative(dx, dy)	构造一个表示此样条偏导数的新样条。

另请参阅

BivariateSpline

二元样条的基类。

UnivariateSpline

一个平滑的单变量样条，用于拟合给定的一组数据点。

SmoothBivariateSpline

穿过给定点的平滑二元样条

LSQBivariateSpline

使用加权最小二乘拟合的二元样条

RectSphereBivariateSpline

球面上矩形网格上的二元样条

SmoothSphereBivariateSpline

球坐标系中的平滑二元样条

RectBivariateSpline

矩形网格上的二元样条。

bisplrep

查找曲面二元 B 样条表示的函数

bisplev

评估二元 B 样条及其导数的函数

注释

更多信息，请参阅关于此函数的 FITPACK 网站。

示例

在浏览器中尝试！

假设我们在一个粗网格上有全局数据（输入数据不必在网格上）

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

>>> theta = np.linspace(0, np.pi, num=7)
>>> phi = np.linspace(0, 2*np.pi, num=9)
>>> data = np.empty((theta.shape[0], phi.shape[0]))
>>> data[:,0], data[0,:], data[-1,:] = 0., 0., 0.
>>> data[1:-1,1], data[1:-1,-1] = 1., 1.
>>> data[1,1:-1], data[-2,1:-1] = 1., 1.
>>> data[2:-2,2], data[2:-2,-2] = 2., 2.
>>> data[2,2:-2], data[-3,2:-2] = 2., 2.
>>> data[3,3:-2] = 3.
>>> data = np.roll(data, 4, 1)

我们需要设置插值器对象。在这里，我们还必须指定要使用的结点坐标。

>>> lats, lons = np.meshgrid(theta, phi)
>>> knotst, knotsp = theta.copy(), phi.copy()
>>> knotst[0] += .0001
>>> knotst[-1] -= .0001
>>> knotsp[0] += .0001
>>> knotsp[-1] -= .0001
>>> lut = LSQSphereBivariateSpline(lats.ravel(), lons.ravel(),
...                                data.T.ravel(), knotst, knotsp)

作为首次测试，我们将看看算法在输入坐标上运行时返回什么。

>>> data_orig = lut(theta, phi)

最后我们将数据插值到更精细的网格上

>>> fine_lats = np.linspace(0., np.pi, 70)
>>> fine_lons = np.linspace(0., 2*np.pi, 90)
>>> data_lsq = lut(fine_lats, fine_lons)

>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(131)
>>> ax1.imshow(data, interpolation='nearest')
>>> ax2 = fig.add_subplot(132)
>>> ax2.imshow(data_orig, interpolation='nearest')
>>> ax3 = fig.add_subplot(133)
>>> ax3.imshow(data_lsq, interpolation='nearest')
>>> plt.show()

返回在新标签页中打开