scipy.interpolate.

LSQSphereBivariateSpline

class scipy.interpolate.LSQSphereBivariateSpline(theta, phi, r, tt, tp, w=None, eps=1e-16)

球坐标系中的加权最小二乘双变量样条逼近。

根据给定的 theta 和 phi 方向上的节点集，确定一个平滑的双三次样条。

Added in version 0.11.0.

参数:

theta, phi, rarray_like

一维数据点序列（顺序不重要）。坐标必须以弧度给出。Theta 必须在区间 [0, pi] 内，phi 必须在区间 [0, 2pi] 内。

tt, tparray_like

严格有序的结点坐标的一维序列。坐标必须满足 0 < tt[i] < pi，0 < tp[i] < 2*pi。

w类似数组, 可选

正的 1-D 权重序列，长度与 theta、phi 和 r 相同。

epsfloat, 可选

确定超定线性方程组有效秩的阈值。eps 的值应在开区间 (0, 1) 内，默认值为 1e-16。

方法

__call__(theta, phi[, dtheta, dphi, grid])	在给定位置评估样条曲线或其导数。
ev(theta, phi[, dtheta, dphi])	在点处评估样条
get_coeffs()	返回样条系数。
get_knots()	返回一个元组 (tx, ty)，其中 tx, ty 分别包含样条相对于 x 和 y 变量的节点位置。
get_residual()	返回样条逼近的加权平方残差和：sum ((w[i]*(z[i]-s(x[i],y[i])))**2,axis=0)
partial_derivative(dx, dy)	构建一个新的样条，表示此样条的偏导数。

参见

BivariateSpline

用于双变量样条的基类。

UnivariateSpline

一个平滑的单变量样条曲线，用于拟合给定的数据点。

SmoothBivariateSpline

通过给定点平滑的双变量样条

LSQBivariateSpline

使用加权最小二乘法拟合的双变量样条

RectSphereBivariateSpline

球面上矩形网格上的二元样条

SmoothSphereBivariateSpline

球坐标系中的平滑二元样条

RectBivariateSpline

在矩形网格上的双变量样条。

bisplrep

一个用于找到曲面的双变量B样条表示的函数

bisplev

一个用于评估双变量B样条及其导数的函数

注释

更多信息，请参阅关于此函数的 FITPACK 网站。

示例

Try it in your browser!

假设我们在粗网格上有全局数据（输入数据不一定要在网格上）：

>>> from scipy.interpolate import LSQSphereBivariateSpline
>>> import numpy as np
>>> import matplotlib.pyplot as plt

>>> theta = np.linspace(0, np.pi, num=7)
>>> phi = np.linspace(0, 2*np.pi, num=9)
>>> data = np.empty((theta.shape[0], phi.shape[0]))
>>> data[:,0], data[0,:], data[-1,:] = 0., 0., 0.
>>> data[1:-1,1], data[1:-1,-1] = 1., 1.
>>> data[1,1:-1], data[-2,1:-1] = 1., 1.
>>> data[2:-2,2], data[2:-2,-2] = 2., 2.
>>> data[2,2:-2], data[-3,2:-2] = 2., 2.
>>> data[3,3:-2] = 3.
>>> data = np.roll(data, 4, 1)

我们需要设置插值器对象。在这里，我们还必须指定要使用的节点坐标。

>>> lats, lons = np.meshgrid(theta, phi)
>>> knotst, knotsp = theta.copy(), phi.copy()
>>> knotst[0] += .0001
>>> knotst[-1] -= .0001
>>> knotsp[0] += .0001
>>> knotsp[-1] -= .0001
>>> lut = LSQSphereBivariateSpline(lats.ravel(), lons.ravel(),
...                                data.T.ravel(), knotst, knotsp)

作为第一个测试，我们将看到算法在输入坐标上运行时返回的内容

>>> data_orig = lut(theta, phi)

最后我们将数据插值到一个更精细的网格

>>> fine_lats = np.linspace(0., np.pi, 70)
>>> fine_lons = np.linspace(0., 2*np.pi, 90)
>>> data_lsq = lut(fine_lats, fine_lons)

>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(131)
>>> ax1.imshow(data, interpolation='nearest')
>>> ax2 = fig.add_subplot(132)
>>> ax2.imshow(data_orig, interpolation='nearest')
>>> ax3 = fig.add_subplot(133)
>>> ax3.imshow(data_lsq, interpolation='nearest')
>>> plt.show()

Go BackOpen In Tab