scipy.interpolate.LSQBivariateSpline.

__call__

LSQBivariateSpline.__call__(x, y, dx=0, dy=0, grid=True)

在给定位置评估样条曲线或其导数。

参数:

x, yarray_like

输入坐标。

如果 grid 为 False，则在点 (x[i], y[i]), i=0, ..., len(x)-1 处评估样条。标准 Numpy 广播规则适用。

如果 grid 为 True：在由坐标数组 x, y 定义的网格点处评估样条。数组必须按递增顺序排序。

轴的顺序与 np.meshgrid(..., indexing="ij") 一致，与默认顺序 np.meshgrid(..., indexing="xy") 不一致。

dx整数

x-导数的顺序

Added in version 0.14.0.

dy整数

y-导数的顺序

Added in version 0.14.0.

网格布尔

是否在输入数组所跨越的网格上评估结果，还是在输入数组指定的点上评估结果。

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

我们在一个粗网格上对函数进行采样。注意，meshgrid 的默认索引方式为 “xy”，这会导致插值后得到一个意外的（转置的）结果。

>>> xarr = np.linspace(-3, 3, 100)
>>> yarr = np.linspace(-3, 3, 100)
>>> xgrid, ygrid = np.meshgrid(xarr, yarr, indexing="ij")

该函数沿一个轴的插值衰减比沿另一个轴的衰减更快。

>>> zdata = np.exp(-np.sqrt((xgrid / 2) ** 2 + ygrid**2))

接下来，我们使用插值在更精细的网格上采样（双线性插值时 kx=ky=1）。

>>> rbs = RectBivariateSpline(xarr, yarr, zdata, kx=1, ky=1)
>>> xarr_fine = np.linspace(-3, 3, 200)
>>> yarr_fine = np.linspace(-3, 3, 200)
>>> xgrid_fine, ygrid_fine = np.meshgrid(xarr_fine, yarr_fine, indexing="ij")
>>> zdata_interp = rbs(xgrid_fine, ygrid_fine, grid=False)

并通过绘制两者来检查结果是否与输入一致。

>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(1, 2, 1, aspect="equal")
>>> ax2 = fig.add_subplot(1, 2, 2, aspect="equal")
>>> ax1.imshow(zdata)
>>> ax2.imshow(zdata_interp)
>>> plt.show()

Go BackOpen In Tab