scipy.interpolate.RegularGridInterpolator.

call#

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

在坐标处进行插值。

参数:

xindarray，形状为(…, ndim): 要评估插值器的坐标。
methodstr, 可选: 要执行的插值方法。支持 “linear”、“nearest”、“slinear”、“cubic”、“quintic” 和 “pchip”。默认值是创建插值器时选择的方法。
nu整数序列，长度为 ndim，可选: 如果不是 None，则为要评估的导数的阶数。每个条目都必须是非负的。仅允许用于 “slinear”、“cubic” 和 “quintic” 方法。

在 1.13 版本中添加。

返回:

values_xndarray，形状为 xi.shape[:-1] + values.shape[ndim:]: 在 xi 处的插值。有关 xi.ndim == 1 时的行为，请参阅注释。

注释

在 xi.ndim == 1 的情况下，一个新轴插入到返回数组 values_x 的 0 位置，因此其形状变为 (1,) + values.shape[ndim:]。

示例

这里我们定义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')

通过构造，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#