scipy.interpolate.
make_lsq_spline#
- scipy.interpolate.make_lsq_spline(x, y, t, k=3, w=None, axis=0, check_finite=True, *, method='qr')[source]#
创建满足最小二乘 (LSQ) 准则的光滑 B 样条。
结果是一个线性组合
\[S(x) = \sum_j c_j B_j(x; t)\]B 样条基元素 \(B_j(x; t)\) 的线性组合,它最小化以下表达式:
\[\sum_{j} \left( w_j \times (S(x_j) - y_j) \right)^2\]- 参数:
- xarray_like, shape (m,)
横坐标。
- yarray_like, shape (m, …)
纵坐标。
- tarray_like, shape (n + k + 1,).
节点。节点和数据点必须满足 Schoenberg-Whitney 条件。
- kint, optional
B 样条次数。默认值为三次,
k = 3
。- warray_like, shape (m,), optional
样条拟合的权重。必须为正。如果为
None
,则所有权重相等。默认值为None
。- axisint, optional
插值轴。默认值为零。
- check_finitebool, optional
是否检查输入数组仅包含有限数字。禁用此项可能会提高性能,但如果输入包含无穷大或 NaN,可能会导致问题(崩溃、无法终止)。默认值为 True。
- methodstr, optional
解决线性 LSQ 问题的 G方法。允许的值为“norm-eq”(显式构建和求解法线方程组),以及“qr”(使用设计矩阵的 QR 分解)。默认值为“qr”。
- 返回:
另请参阅
BSpline
表示 B 样条对象的基类
make_interp_spline
一个用于插值样条的类似工厂函数
LSQUnivariateSpline
一个基于 FITPACK 的样条拟合例程
splrep
一个基于 FITPACK 的拟合例程
注释
数据点的数量必须大于样条次数
k
。节点
t
必须满足 Schoenberg-Whitney 条件,即必须存在数据点x[j]
的一个子集,使得对于j=0, 1,...,n-k-2
,有t[j] < x[j] < t[j+k+1]
。示例
生成一些带噪声的数据
>>> import numpy as np >>> import matplotlib.pyplot as plt >>> rng = np.random.default_rng() >>> x = np.linspace(-3, 3, 50) >>> y = np.exp(-x**2) + 0.1 * rng.standard_normal(50)
现在使用预定义的内部节点拟合光滑三次样条。这里我们通过添加边界节点使节点向量 (k+1) 规则化。
>>> from scipy.interpolate import make_lsq_spline, BSpline >>> t = [-1, 0, 1] >>> k = 3 >>> t = np.r_[(x[0],)*(k+1), ... t, ... (x[-1],)*(k+1)] >>> spl = make_lsq_spline(x, y, t, k)
为了进行比较,我们还为同一组数据构建了一个插值样条。
>>> from scipy.interpolate import make_interp_spline >>> spl_i = make_interp_spline(x, y)
绘制两者
>>> xs = np.linspace(-3, 3, 100) >>> plt.plot(x, y, 'ro', ms=5) >>> plt.plot(xs, spl(xs), 'g-', lw=3, label='LSQ spline') >>> plt.plot(xs, spl_i(xs), 'b-', lw=3, alpha=0.7, label='interp spline') >>> plt.legend(loc='best') >>> plt.show()
NaN 处理:如果输入数组包含
nan
值,则结果将无用,因为底层的样条拟合例程无法处理nan
。一个解决方法是使用零权重来处理非数字数据点。>>> y[8] = np.nan >>> w = np.isnan(y) >>> y[w] = 0. >>> tck = make_lsq_spline(x, y, t, w=~w)
请注意,需要将
nan
替换为一个数值(只要对应的权重为零,精确值无关紧要)。