scipy.interpolate.

griddata#

scipy.interpolate.griddata(points, values, xi, method='linear', fill_value=nan, rescale=False)[源代码]#

插值非结构化 D-D 数据。

参数:

points形状为 (n, D) 的浮点数二维 ndarray，或形状为 (n,) 的一维 ndarray 的长度为 D 的元组。

数据点坐标。

values浮点数或复数的 ndarray，形状为 (n,)

数据值。

xi形状为 (m, D) 的浮点数二维 ndarray，或可广播到相同形状的 ndarray 的长度为 D 的元组。

要插值的数据点。

method{'linear'，'nearest'，'cubic'}，可选

插值方法。选项之一：

nearest: 返回最接近插值点的数据点的值。有关更多详细信息，请参见 NearestNDInterpolator。
linear: 将输入点集细分为 N-D 单纯形，并在每个单纯形上进行线性插值。有关更多详细信息，请参见 LinearNDInterpolator。
cubic (1-D): 返回从三次样条曲线确定的值。
cubic (2-D): 返回从分段三次、连续可微 (C1) 且近似曲率最小的多项式表面确定的值。有关更多详细信息，请参见 CloughTocher2DInterpolator。

fill_value浮点数，可选

用于填充输入点的凸包之外的请求点的值。如果未提供，则默认值为 nan。此选项对“nearest”方法无效。

rescale布尔值，可选

在执行插值之前，将点缩放到单位立方体。如果某些输入维度的单位不一致并且相差多个数量级，这将很有用。

版本 0.14.0 中新增。

返回:

ndarray: 插值值的数组。

另请参见

LinearNDInterpolator: N 维中的分段线性插值器。
NearestNDInterpolator: N 维中的最近邻插值器。
CloughTocher2DInterpolator: 2D 中的分段三次、C1 光滑、曲率最小化的插值器。
interpn: 在规则网格或矩形网格上进行插值。
RegularGridInterpolator: 任意维度的规则或矩形网格上的插值器（interpn 包装此类）。

注释

版本 0.9 中新增。

注意

对于规则网格上的数据，请改用 interpn。

示例

假设我们要插值 2 维函数

>>> import numpy as np
>>> def func(x, y):
...     return x*(1-x)*np.cos(4*np.pi*x) * np.sin(4*np.pi*y**2)**2

在 [0, 1]x[0, 1] 的网格上

>>> grid_x, grid_y = np.mgrid[0:1:100j, 0:1:200j]

但我们只知道它在 1000 个数据点的值

>>> rng = np.random.default_rng()
>>> points = rng.random((1000, 2))
>>> values = func(points[:,0], points[:,1])

可以使用 griddata 完成此操作 – 下面我们尝试所有插值方法

>>> from scipy.interpolate import griddata
>>> grid_z0 = griddata(points, values, (grid_x, grid_y), method='nearest')
>>> grid_z1 = griddata(points, values, (grid_x, grid_y), method='linear')
>>> grid_z2 = griddata(points, values, (grid_x, grid_y), method='cubic')

可以看出，所有方法都在某种程度上重现了精确的结果，但对于此平滑函数，分段三次插值器给出了最佳结果

>>> import matplotlib.pyplot as plt
>>> plt.subplot(221)
>>> plt.imshow(func(grid_x, grid_y).T, extent=(0,1,0,1), origin='lower')
>>> plt.plot(points[:,0], points[:,1], 'k.', ms=1)
>>> plt.title('Original')
>>> plt.subplot(222)
>>> plt.imshow(grid_z0.T, extent=(0,1,0,1), origin='lower')
>>> plt.title('Nearest')
>>> plt.subplot(223)
>>> plt.imshow(grid_z1.T, extent=(0,1,0,1), origin='lower')
>>> plt.title('Linear')
>>> plt.subplot(224)
>>> plt.imshow(grid_z2.T, extent=(0,1,0,1), origin='lower')
>>> plt.title('Cubic')
>>> plt.gcf().set_size_inches(6, 6)
>>> plt.show()

../../_images/scipy-interpolate-griddata-1.png