|
什么是插值？
在数学的数值分析领域中，插值（英语：interpolation）是一种通过已知的、离散的数据点，在范围内推求新数据点的过程或方法。
简单来说插值是一种在给定的点之间生成点的方法。
例如： 对于两个点 1 和 2，我们可以插值并找到点 1.33 和 1.66。
插值有很多用途，在机器学习中我们经常处理数据缺失的数据，插值通常可用于替换这些值。
这种填充值的方法称为插补。
除了插补，插值经常用于我们需要平滑数据集中离散点的地方。
如何在 SciPy 中实现插值？
SciPy 提供了 scipy.interpolate 模块来处理插值。
一维插值
一维数据的插值运算可以通过方法 interp1d() 完成。
该方法接收两个参数 x 点和 y 点。
返回值是可调用函数，该函数可以用新的 x 调用并返回相应的 y， y = f(x) 。
对给定的 xs 和 ys 插值，从 2.1、2.2... 到 2.9：
实例
|
from scipy.interpolate import interp1d
import numpy as np
xs = np.arange(10)
ys = 2*xs + 1
interp_func = interp1d(xs, ys)
newarr = interp_func(np.arange(2.1, 3, 0.1))
print(newarr)
|
输出结果为：
[5.2 5.4 5.6 5.8 6. 6.2 6.4 6.6 6.8]
|
注意： 新的 xs 应该与旧的 xs 处于相同的范围内，这意味着我们不能使用大于 10 或小于 0 的值调用 interp_func()。
单变量插值
在一维插值中，点是针对单个曲线拟合的，而在样条插值中，点是针对使用多项式分段定义的函数拟合的。
单变量插值使用 UnivariateSpline() 函数，该函数接受 xs 和 ys 并生成一个可调用函数，该函数可以用新的 xs 调用。
分段函数，就是对于自变量 x 的不同的取值范围，有着不同的解析式的函数。
为非线性点找到 2.1、2.2...2.9 的单变量样条插值：
实例
|
from scipy.interpolate import UnivariateSpline
import numpy as np
xs = np.arange(10)
ys = xs**2 + np.sin(xs) + 1
interp_func = UnivariateSpline(xs, ys)
newarr = interp_func(np.arange(2.1, 3, 0.1))
print(newarr)
|
输出结果为：
[5.62826474 6.03987348 6.47131994 6.92265019 7.3939103 7.88514634
8.39640439 8.92773053 9.47917082]
|
径向基函数插值
径向基函数是对应于固定参考点定义的函数。
曲面插值里我们一般使用径向基函数插值。
Rbf() 函数接受 xs 和 ys 作为参数，并生成一个可调用函数，该函数可以用新的 xs 调用。
实例
|
from scipy.interpolate import Rbf
import numpy as np
xs = np.arange(10)
ys = xs**2 + np.sin(xs) + 1
interp_func = Rbf(xs, ys)
newarr = interp_func(np.arange(2.1, 3, 0.1))
print(newarr)
|
输出结果为：
[6.25748981 6.62190817 7.00310702 7.40121814 7.8161443 8.24773402
8.69590519 9.16070828 9.64233874]
|
158 次浏览 |
1次 |
|
|
