SmoothSphereBivariateSpline#
- class scipy.interpolate.SmoothSphereBivariateSpline(theta, phi, r, w=None, s=0.0, eps=1e-16)[源代码]#
球面坐标系中的光滑二元样条逼近。
0.11.0 版本新增。
- 参数:
- theta, phi, rarray_like
一维数据点序列(顺序不重要)。坐标必须以弧度给出。Theta 必须在
[0, pi]
区间内,phi 必须在[0, 2pi]
区间内。- warray_like, 可选
正一维权重序列。
- sfloat, 可选
用于估计条件的平滑因子,定义为:
sum((w(i)*(r(i) - s(theta(i), phi(i))))**2, axis=0) <= s
默认值为s=len(w)
,如果1/w[i]
是r[i]
标准差的估计值,则此值应为良好值。- epsfloat, 可选
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__
(theta, phi[, dtheta, dphi, grid])在给定位置评估样条函数或其导数。
ev
(theta, phi[, dtheta, dphi])在点处评估样条函数
返回样条系数。
返回一个元组 (tx,ty),其中 tx,ty 分别包含样条函数在 x、y 变量上的结位置。
返回样条逼近的加权平方残差和: sum ((w[i]*(z[i]-s(x[i],y[i])))**2,axis=0)
partial_derivative
(dx, dy)构造一个表示此样条函数的偏导数的新样条函数。
另请参阅
BivariateSpline
二元样条的基类。
UnivariateSpline
用于拟合给定数据点的光滑一元样条函数。
SmoothBivariateSpline
通过给定点的平滑二元样条函数
LSQBivariateSpline
使用加权最小二乘拟合的二元样条函数
RectSphereBivariateSpline
球面上矩形网格上的二元样条函数
LSQSphereBivariateSpline
使用加权最小二乘拟合的球面坐标系中的二元样条函数
RectBivariateSpline
矩形网格上的二元样条函数。
bisplrep
一个查找曲面二元 B 样条表示的函数
bisplev
一个评估二元 B 样条函数及其导数的函数
备注
更多信息,请参阅 FITPACK 网站上关于此函数的内容。
示例
假设我们有一个粗略网格上的全局数据(输入数据不必在网格上)
>>> import numpy as np >>> theta = np.linspace(0., np.pi, 7) >>> phi = np.linspace(0., 2*np.pi, 9) >>> data = np.empty((theta.shape[0], phi.shape[0])) >>> data[:,0], data[0,:], data[-1,:] = 0., 0., 0. >>> data[1:-1,1], data[1:-1,-1] = 1., 1. >>> data[1,1:-1], data[-2,1:-1] = 1., 1. >>> data[2:-2,2], data[2:-2,-2] = 2., 2. >>> data[2,2:-2], data[-3,2:-2] = 2., 2. >>> data[3,3:-2] = 3. >>> data = np.roll(data, 4, 1)
我们需要设置插值器对象
>>> lats, lons = np.meshgrid(theta, phi) >>> from scipy.interpolate import SmoothSphereBivariateSpline >>> lut = SmoothSphereBivariateSpline(lats.ravel(), lons.ravel(), ... data.T.ravel(), s=3.5)
作为第一个测试,我们将看看该算法在输入坐标上运行时返回什么
>>> data_orig = lut(theta, phi)
最后,我们将数据插值到更精细的网格
>>> fine_lats = np.linspace(0., np.pi, 70) >>> fine_lons = np.linspace(0., 2 * np.pi, 90)
>>> data_smth = lut(fine_lats, fine_lons)
>>> import matplotlib.pyplot as plt >>> fig = plt.figure() >>> ax1 = fig.add_subplot(131) >>> ax1.imshow(data, interpolation='nearest') >>> ax2 = fig.add_subplot(132) >>> ax2.imshow(data_orig, interpolation='nearest') >>> ax3 = fig.add_subplot(133) >>> ax3.imshow(data_smth, interpolation='nearest') >>> plt.show()