scipy.interpolate.RegularGridInterpolator.

call#

RegularGridInterpolator.__call__(xi, method=None, *, nu=None)[source]#

在坐标处插值。

参数:

xishape 为 (…, ndim) 的 ndarray: 要评估插值器的位置坐标。
methodstr，可选: 要执行的插值方法。支持 “linear”、 “nearest”、 “slinear”、 “cubic”、 “quintic” 和 “pchip”。默认值为创建插值器时选择的 method。
nu整数序列，长度为 ndim，可选: 如果非 None，则为要评估的导数阶数。每个条目必须是非负数。仅适用于方法 “slinear”、 “cubic” 和 “quintic”。

在版本 1.13 中添加。

返回值:

values_xndarray，shape 为 xi.shape[:-1] + values.shape[ndim:]: 在 xi 处插值的数值。有关 xi.ndim == 1 时行为的说明，请参见说明。

说明

在 xi.ndim == 1 的情况下，会在返回的数组 values_x 的第 0 个位置插入一个新轴，因此其形状变为 (1,) + values.shape[ndim:]。

示例

这里我们定义了一个简单函数的最近邻插值器

>>> import numpy as np
>>> x, y = np.array([0, 1, 2]), np.array([1, 3, 7])
>>> def f(x, y):
...     return x**2 + y**2
>>> data = f(*np.meshgrid(x, y, indexing='ij', sparse=True))
>>> from scipy.interpolate import RegularGridInterpolator
>>> interp = RegularGridInterpolator((x, y), data, method='nearest')

根据定义，插值器使用最近邻插值

>>> interp([[1.5, 1.3], [0.3, 4.5]])
array([2., 9.])

但是，我们可以通过覆盖 method 参数来评估线性插值

>>> interp([[1.5, 1.3], [0.3, 4.5]], method='linear')
array([ 4.7, 24.3])

__call__#

call#