scipy.interpolate.BivariateSpline.

事件

BivariateSpline.ev(xi, yi, dx=0, dy=0)

在点处评估样条

返回在 (xi[i], yi[i]), i=0,...,len(xi)-1 处的插值值。

参数:

xi, yiarray_like

输入坐标。遵循标准的 Numpy 广播规则。轴的顺序与 np.meshgrid(..., indexing="ij") 一致，与默认顺序 np.meshgrid(..., indexing="xy") 不一致。

dxint, 可选

x-导数的顺序

Added in version 0.14.0.

dyint, 可选

y-导数的顺序

Added in version 0.14.0.

示例

Try it in your browser!

假设我们想要在二维空间中线性插值一个指数衰减函数。

>>> import numpy as np
>>> from scipy.interpolate import RectBivariateSpline
>>> def f(x, y):
...     return np.exp(-np.sqrt((x / 2) ** 2 + y**2))

我们在粗网格上对函数进行采样，并设置插值器。注意，meshgrid 的默认 indexing="xy" 会导致插值后出现意外的（转置的）结果。

>>> xarr = np.linspace(-3, 3, 21)
>>> yarr = np.linspace(-3, 3, 21)
>>> xgrid, ygrid = np.meshgrid(xarr, yarr, indexing="ij")
>>> zdata = f(xgrid, ygrid)
>>> rbs = RectBivariateSpline(xarr, yarr, zdata, kx=1, ky=1)

接下来，我们沿着坐标空间中的对角切片，在更细的网格上使用插值对函数进行采样。

>>> xinterp = np.linspace(-3, 3, 201)
>>> yinterp = np.linspace(3, -3, 201)
>>> zinterp = rbs.ev(xinterp, yinterp)

并检查插值是否作为沿切片从原点出发的距离的函数通过函数评估。

>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(1, 1, 1)
>>> ax1.plot(np.sqrt(xarr**2 + yarr**2), np.diag(zdata), "or")
>>> ax1.plot(np.sqrt(xinterp**2 + yinterp**2), zinterp, "-b")
>>> plt.show()

Go BackOpen In Tab