scipy.interpolate.

SmoothBivariateSpline#

class scipy.interpolate.SmoothBivariateSpline(x, y, z, w=None, bbox=[None, None, None, None], kx=3, ky=3, s=None, eps=1e-16)[source]#

平滑二元样条近似。

参数:
x, y, z类数组

1-D 数据点序列(顺序不重要)。

w类数组,可选

正的 1-D 权重序列,与 xyz 长度相同。

bbox类数组,可选

长度为 4 的序列,指定矩形近似域的边界。默认情况下,bbox=[min(x), max(x), min(y), max(y)]

kx, ky整型,可选

二元样条的度数。默认为 3。

s浮点型,可选

用于估计条件的正平滑因子:sum((w[i]*(z[i]-s(x[i], y[i])))**2, axis=0) <= s。默认 s=len(w),如果 1/w[i]z[i] 标准差的估计值,则此值应为良好值。

eps浮点型,可选

一个用于确定超定线性方程组有效秩的阈值。eps 的值应在开区间 (0, 1) 内,默认值为 1e-16。

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()

返回样条近似的加权平方残差和:sum ((w[i]*(z[i]-s(x[i],y[i])))**2,axis=0)

integral(xa, xb, ya, yb)

在区域 [xa,xb] x [ya,yb] 上评估样条的积分。

partial_derivative(dx, dy)

构造一个表示此样条偏导数的新样条。

另请参阅

BivariateSpline

二元样条的基类。

UnivariateSpline

用于拟合给定数据集的平滑一元样条。

LSQBivariateSpline

使用加权最小二乘拟合的二元样条

RectSphereBivariateSpline

球面上矩形网格上的二元样条

SmoothSphereBivariateSpline

球坐标系中的平滑二元样条

LSQSphereBivariateSpline

使用加权最小二乘拟合的球坐标系二元样条

RectBivariateSpline

矩形网格上的二元样条

bisplrep

用于查找曲面二元 B 样条表示的函数

bisplev

用于评估二元 B 样条及其导数的函数

注意

xyz 的长度应至少为 (kx+1) * (ky+1)

如果输入数据的维度单位不相称且相差多个数量级,则插值结果可能存在数值误差。在插值之前考虑对数据进行缩放。

此例程通过 FITPACK 算法自动构建样条节点向量。样条节点可能位于远离数据点的位置。对于某些数据集,即使通过 s=0 参数请求,此例程也可能无法构造插值样条。在这种情况下,建议直接使用 bisplrep / bisplev 而非此例程,并且如果需要,增加 bisplrepnxestnyest 参数值。

对于线性插值,首选 LinearNDInterpolator。有关讨论,请参阅 https://gist.github.com/ev-br/8544371b40f414b7eaf3fe6217209bff