scipy.interpolate.

LinearNDInterpolator#

class scipy.interpolate.LinearNDInterpolator(points, values, fill_value=np.nan, rescale=False)#

N>1 维度中的分段线性插值器。

在版本 0.9 中添加。

参数：

points浮点数 ndarray，形状 (npoints, ndims)；或 Delaunay: 数据点坐标的二维数组，或预先计算的 Delaunay 三角剖分。
values浮点数或复数 ndarray，形状 (npoints, …) ，可选: 在 points 上的数据值 N 维数组。 values 沿第一个轴的长度必须等于 points 的长度。与一些插值器不同，插值轴无法更改。
fill_value浮点数，可选: 用于填充输入点凸包外部请求点的值。如果未提供，则默认值为 nan。
rescale布尔值，可选: 在执行插值之前将点重新缩放到单位立方体。如果一些输入维度具有不可通约的单位并且在数量级上差异很大，这将很有用。

另请参阅

griddata: 插值非结构化 D-D 数据。
NearestNDInterpolator: N 维中的最近邻插值器。
CloughTocher2DInterpolator: 二维中的分段三次，C1 平滑，曲率最小插值器。
interpn: 在规则网格或直线网格上插值。
RegularGridInterpolator: 任意维度规则网格或直线网格上的插值器 (interpn 封装了此类)。

注释

插值器是通过使用 Qhull [1] 对输入数据进行三角剖分来构建的，并且在每个三角形上执行线性重心插值。

注意

对于规则网格上的数据，请改用 interpn。

参考资料

[1]

http://www.qhull.org/

示例

我们可以在二维平面上插值值

>>> from scipy.interpolate import LinearNDInterpolator
>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> rng = np.random.default_rng()
>>> x = rng.random(10) - 0.5
>>> y = rng.random(10) - 0.5
>>> z = np.hypot(x, y)
>>> X = np.linspace(min(x), max(x))
>>> Y = np.linspace(min(y), max(y))
>>> X, Y = np.meshgrid(X, Y)  # 2D grid for interpolation
>>> interp = LinearNDInterpolator(list(zip(x, y)), z)
>>> Z = interp(X, Y)
>>> plt.pcolormesh(X, Y, Z, shading='auto')
>>> plt.plot(x, y, "ok", label="input point")
>>> plt.legend()
>>> plt.colorbar()
>>> plt.axis("equal")
>>> plt.show()

../../_images/scipy-interpolate-LinearNDInterpolator-1.png

方法

__call__(xi)

在给定点评估插值器。