scipy.interpolate.RectBivariateSpline.

ev

RectBivariateSpline.ev(xi, yi, dx=0, dy=0)

在点处评估样条

返回在 (xi[i], yi[i]), i=0,...,len(xi)-1 处的插值值。

参数：

xi, yiarray_like

输入坐标。遵循标准的 NumPy 广播规则。轴的排序与 np.meshgrid(..., indexing="ij") 一致，与默认排序 np.meshgrid(..., indexing="xy") 不一致。

dxint, 可选

x 导数的阶数

在版本 0.14.0 中添加。

dyint, 可选

y 导数的阶数

在版本 0.14.0 中添加。

示例

在你的浏览器中试试！

假设我们想对二维指数衰减函数进行双线性插值。

>>> import numpy as np
>>> from scipy.interpolate import RectBivariateSpline
>>> def f(x, y):
...     return np.exp(-np.sqrt((x / 2) ** 2 + y**2))

我们在粗网格上对函数进行采样并设置插值器。请注意，meshgrid 的默认 indexing="xy" 将导致插值后出现意外的（转置）结果。

>>> xarr = np.linspace(-3, 3, 21)
>>> yarr = np.linspace(-3, 3, 21)
>>> xgrid, ygrid = np.meshgrid(xarr, yarr, indexing="ij")
>>> zdata = f(xgrid, ygrid)
>>> rbs = RectBivariateSpline(xarr, yarr, zdata, kx=1, ky=1)

接下来，我们使用插值在更精细的网格上对穿过坐标空间的对角线切片上的函数进行采样。

>>> xinterp = np.linspace(-3, 3, 201)
>>> yinterp = np.linspace(3, -3, 201)
>>> zinterp = rbs.ev(xinterp, yinterp)

并检查插值是否通过沿切片的距离变化的函数评估。

>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(1, 1, 1)
>>> ax1.plot(np.sqrt(xarr**2 + yarr**2), np.diag(zdata), "or")
>>> ax1.plot(np.sqrt(xinterp**2 + yinterp**2), zinterp, "-b")
>>> plt.show()

返回在新标签页中打开