RegularGridInterpolator#
- class scipy.interpolate.RegularGridInterpolator(points, values, method='linear', bounds_error=True, fill_value=nan, *, solver=None, solver_args=None)[source]#
N ≥ 1 维直角网格上的指定阶插值器。
数据必须定义在直角网格上;也就是说,一个间距均匀或不均匀的矩形网格。支持线性插值、最近邻插值、样条插值。设置插值器对象后,每次评估时都可以选择插值方法。
- 参数:
- pointsndarray 浮点数的元组,形状为 (m1, ), …, (mn, )
定义 N 维直角网格的点。每个维度中的点(即 points 元组的每个元素)必须严格递增或递减。
- values类数组,形状为 (m1, …, mn, …)
N 维直角网格上的数据。接受复数数据。
- methodstr, 可选
要执行的插值方法。支持“linear”、“nearest”、“slinear”、“cubic”、“quintic”和“pchip”。此参数将成为对象
__call__
方法的默认值。默认为“linear”。- bounds_errorbool, 可选
如果为 True,当请求插值值超出输入数据域时,将引发 ValueError。如果为 False,则使用 fill_value。默认为 True。
- fill_value浮点数或 None, 可选
用于插值域外点的值。如果为 None,则域外值将进行外推。默认为
np.nan
。- solver可调用对象,可选
仅用于方法“slinear”、“cubic”和“quintic”。用于构建 NdBSpline 实例的稀疏线性代数求解器。默认为迭代求解器
scipy.sparse.linalg.gcrotmk
。版本 1.13 新增。
- solver_args: dict, 可选
要传递给 solver 的其他参数(如果有)。
版本 1.13 新增。
- 属性:
- gridndarray 元组
定义 N 维直角网格的点。此元组通过
np.meshgrid(*grid, indexing='ij')
定义完整网格- valuesndarray
网格上的数据值。
- methodstr
插值方法。
- fill_value浮点数或
None
将此值用于
__call__
的越界参数。- bounds_errorbool
如果为
True
,越界参数将引发ValueError
。
方法
__call__
(xi[, method, nu])坐标插值。
另请参见
NearestNDInterpolator
N 维非结构化数据上的最近邻插值器
LinearNDInterpolator
N 维非结构化数据上的分段线性插值器
interpn
一个封装
RegularGridInterpolator
的便捷函数scipy.ndimage.map_coordinates
等间距网格上的插值(适用于例如 N 维图像重采样)
注意事项
与
LinearNDInterpolator
和NearestNDInterpolator
不同,此类通过利用规则网格结构避免了输入数据的昂贵三角剖分。换句话说,此类假定数据定义在直角网格上。
版本 0.14 新增。
“slinear”(k=1)、“cubic”(k=3) 和“quintic”(k=5) 方法是张量积样条插值器,其中 k 是样条的次数。如果任何维度的点数少于 k + 1,将引发错误。
版本 1.9 新增。
如果输入数据维度单位不一致且相差多个数量级,则插值结果可能存在数值误差。考虑在插值之前重新缩放数据。
为样条方法选择求解器
样条方法,“slinear”、“cubic”和“quintic”在实例化时涉及求解大型稀疏线性系统。根据数据,默认求解器可能不适用。当它不适用时,您可能需要尝试可选的 solver 参数,您可以在其中选择直接求解器(
scipy.sparse.linalg.spsolve
)或scipy.sparse.linalg
中的迭代求解器。您可能需要通过可选的 solver_args 参数提供其他参数(例如,您可以提供起始值或目标容差)。有关可用选项的完整列表,请参阅scipy.sparse.linalg
文档。或者,您可以改用旧版方法,“slinear_legacy”、“cubic_legacy”和“quintic_legacy”。这些方法允许更快地构建,但评估速度会慢得多。
使用 `nearest` 方法在半点处的舍入规则
使用 nearest 方法在半点处的舍入规则是向下舍入。
参考文献
[1]由 Johannes Buchner 开发的 Python 包 regulargrid,参见 https://pypi.python.org/pypi/regulargrid/
[2]维基百科,“三线性插值”,https://en.wikipedia.org/wiki/Trilinear_interpolation
[3]Weiser, Alan, 和 Sergio E. Zarantonello。“关于分段线性多维表格插值的注释。”MATH. COMPUT. 50.181 (1988): 189-196。https://www.ams.org/journals/mcom/1988-50-181/S0025-5718-1988-0917826-0/S0025-5718-1988-0917826-0.pdf DOI:10.1090/S0025-5718-1988-0917826-0
示例
在 3-D 网格点上评估函数
作为第一个示例,我们在 3-D 网格点上评估一个简单的示例函数
>>> from scipy.interpolate import RegularGridInterpolator >>> import numpy as np >>> def f(x, y, z): ... return 2 * x**3 + 3 * y**2 - z >>> x = np.linspace(1, 4, 11) >>> y = np.linspace(4, 7, 22) >>> z = np.linspace(7, 9, 33) >>> xg, yg ,zg = np.meshgrid(x, y, z, indexing='ij', sparse=True) >>> data = f(xg, yg, zg)
data
现在是一个 3-D 数组,其中data[i, j, k] = f(x[i], y[j], z[k])
。接下来,从此数据定义一个插值函数>>> interp = RegularGridInterpolator((x, y, z), data)
在两个点
(x,y,z) = (2.1, 6.2, 8.3)
和(3.3, 5.2, 7.1)
处评估插值函数>>> pts = np.array([[2.1, 6.2, 8.3], ... [3.3, 5.2, 7.1]]) >>> interp(pts) array([ 125.80469388, 146.30069388])
这确实是以下值的近似
>>> f(2.1, 6.2, 8.3), f(3.3, 5.2, 7.1) (125.54200000000002, 145.894)
插值并外推 2D 数据集
作为第二个示例,我们插值并外推一个 2D 数据集
>>> x, y = np.array([-2, 0, 4]), np.array([-2, 0, 2, 5]) >>> def ff(x, y): ... return x**2 + y**2
>>> xg, yg = np.meshgrid(x, y, indexing='ij') >>> data = ff(xg, yg) >>> interp = RegularGridInterpolator((x, y), data, ... bounds_error=False, fill_value=None)
>>> import matplotlib.pyplot as plt >>> fig = plt.figure() >>> ax = fig.add_subplot(projection='3d') >>> ax.scatter(xg.ravel(), yg.ravel(), data.ravel(), ... s=60, c='k', label='data')
在更细的网格上评估并绘制插值器
>>> xx = np.linspace(-4, 9, 31) >>> yy = np.linspace(-4, 9, 31) >>> X, Y = np.meshgrid(xx, yy, indexing='ij')
>>> # interpolator >>> ax.plot_wireframe(X, Y, interp((X, Y)), rstride=3, cstride=3, ... alpha=0.4, color='m', label='linear interp')
>>> # ground truth >>> ax.plot_wireframe(X, Y, ff(X, Y), rstride=3, cstride=3, ... alpha=0.4, label='ground truth') >>> plt.legend() >>> plt.show()
其他示例可在教程中找到。