scipy.interpolate.

RectBivariateSpline#

class scipy.interpolate.RectBivariateSpline(x, y, z, bbox=[None, None, None, None], kx=3, ky=3, s=0, maxit=20)[source]#

矩形网格上的二元样条逼近。

可用于数据平滑和插值。

参数:

x,y类数组: 严格升序排列的1-D坐标数组。数据范围之外的评估点将被外推。
z类数组: 形状为 (x.size, y.size) 的2-D数据数组。
bbox类数组, 可选: 长度为4的序列，指定矩形逼近域的边界，这意味着每个维度的样条起始和结束节点由这些值设置。默认情况下，bbox=[min(x), max(x), min(y), max(y)]。
kx, ky整数, 可选: 二元样条的度数。默认值为3。
s浮点数, 可选: 用于估计条件的正平滑因子：sum((z[i]-f(x[i], y[i]))**2, axis=0) <= s，其中 f 是样条函数。默认值为 s=0，表示插值。
maxit整数, 可选: 在fp=s的情况下，寻找平滑样条的最大迭代次数maxit。默认值为 maxit=20。

方法

`__call__`(x, y[, dx, dy, grid])	在给定位置评估样条或其导数。
`ev`(xi, yi[, dx, dy])	在点上评估样条
`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 和 y 变量的节点位置。
`get_residual`()	返回样条逼近的残差平方加权和：sum ((w[i](z[i]-s(x[i],y[i])))*2,axis=0)
`integral`(xa, xb, ya, yb)	评估样条在区域 [xa, xb] x [ya, yb] 上的积分。
`partial_derivative`(dx, dy)	构建一个新的样条，表示此样条的偏导数。

另请参阅

备注

如果输入数据的维度单位不协调且相差多个数量级，则插值器可能存在数值误差。在插值之前考虑重新缩放数据。