scipy.interpolate.

splrep#

scipy.interpolate.splrep(x, y, w=None, xb=None, xe=None, k=3, task=0, s=None, t=None, full_output=0, per=0, quiet=1)[source]#

查找一维曲线的B样条表示。

旧版

此函数被认为是旧版,将不再接收更新。虽然我们目前没有计划将其移除,但我们建议新代码使用更现代的替代方案。具体来说,我们建议在新代码中使用 make_splrep

给定数据集 (x[i], y[i]),确定在区间 xb <= x <= xe 上的 k 次平滑样条近似。

参数:
x, y类数组

定义曲线 y = f(x) 的数据点。

w类数组,可选

严格正的一维权重数组,长度与 xy 相同。这些权重用于计算加权最小二乘样条拟合。如果 y 值的误差由向量 d 给出的标准差表示,则 w 应该为 1/d。默认值为 ones(len(x))

xb, xe浮点数,可选

拟合区间。如果为 None,则默认分别为 x[0]x[-1]

k整数,可选

样条拟合的次数。建议使用三次样条。应避免使用偶数 k 值,尤其是在 s 值较小的情况下。1 <= k <= 5

task{1, 0, -1},可选

如果 task==0,则为给定平滑因子 s 查找 tc

如果 task==1,则为平滑因子 s 的另一个值查找 tc。必须对同一数据集(t 将在内部存储和使用)进行过先前调用,且 task=0task=1

如果 task=-1,则为给定节集 t 查找加权最小二乘样条。这些应该是内部节,因为末端的节将自动添加。

s浮点数,可选

一个平滑条件。平滑度由满足以下条件来确定:sum((w * (y - g))**2,axis=0) <= s,其中 g(x)(x,y) 的平滑插值。用户可以使用 s 来控制拟合的紧密程度和平滑度之间的权衡。较大的 s 意味着更多的平滑,而较小的 s 值表示较少的平滑。推荐的 s 值取决于权重 w。如果权重代表 y 的标准差的倒数,那么一个好的 s 值应该在 (m-sqrt(2*m),m+sqrt(2*m)) 范围内找到,其中 mxyw 中的数据点数量。默认值:如果提供了权重,则 s=m-sqrt(2*m)。如果没有提供权重,则 s = 0.0 (插值)。

t类数组,可选

task=-1 所需的节。如果给定,则 task 自动设置为 -1

full_output布尔值,可选

如果非零,则返回可选输出。

per布尔值,可选

如果非零,则数据点被认为是周期性的,周期为 x[m-1] - x[0],并返回平滑的周期样条近似。不使用 y[m-1]w[m-1] 的值。默认值为零,对应于边界条件“非结”。

quiet布尔值,可选

非零以抑制消息。

返回:
tck元组

一个包含节向量、B样条系数和样条次数的元组 (t,c,k)

fp数组,可选

样条近似的残差平方加权和。

ier整数,可选

一个关于 splrep 成功与否的整数标志。如果 ier<=0 则表示成功。如果 ier in [1,2,3],则发生错误但未抛出。否则会抛出错误。

msg字符串,可选

与整数标志 ier 对应的消息。

注意

有关样条及其导数的评估,请参阅 splev。使用 FITPACK 中的 FORTRAN 例程 curfit

用户有责任确保 x 的值是唯一的。否则,splrep 将不会返回合理的结果。

如果提供,节 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]

此例程对系数数组 c 进行零填充,使其与节数组 t 长度相同(尾部的 k + 1 个系数被评估例程 splevBSpline 忽略)。这与 splprep 不同,后者不对系数进行零填充。

默认边界条件是“非结”,即曲线末端的第一段和第二段是相同的多项式。更多边界条件可在 CubicSpline 中找到。

参考文献

基于 [1][2][3][4] 中描述的算法

[1]

P. Dierckx, “An algorithm for smoothing, differentiation and integration of experimental data using spline functions”, J.Comp.Appl.Maths 1 (1975) 165-184.

[2]

P. Dierckx, “A fast algorithm for smoothing data on a rectangular grid while using spline functions”, SIAM J.Numer.Anal. 19 (1982) 1286-1304.

[3]

P. Dierckx, “An improved algorithm for curve fitting with spline functions”, report tw54, Dept. Computer Science,K.U. Leuven, 1981.

[4]

P. Dierckx, “Curve and surface fitting with splines”, Monographs on Numerical Analysis, Oxford University Press, 1993.

示例

您可以使用 B 样条曲线插值一维点。更多示例可在教程中找到。

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> from scipy.interpolate import splev, splrep
>>> x = np.linspace(0, 10, 10)
>>> y = np.sin(x)
>>> spl = splrep(x, y)
>>> x2 = np.linspace(0, 10, 200)
>>> y2 = splev(x2, spl)
>>> plt.plot(x, y, 'o', x2, y2)
>>> plt.show()
../../_images/scipy-interpolate-splrep-1.png