scipy.interpolate.

SmoothBivariateSpline

class scipy.interpolate.SmoothBivariateSpline(x, y, z, w=None, bbox=[None, None, None, None], kx=3, ky=3, s=None, eps=1e-16)

平滑的双变量样条逼近。

参数:

x, y, zarray_like

一维数据点序列（顺序不重要）。

w类似数组, 可选

正的 1-D 权重序列，长度与 x、y 和 z 相同。

bbox类似数组, 可选

指定矩形近似域边界的4个长度的序列。默认情况下，bbox=[min(x), max(x), min(y), max(y)]。

kx, kyints, 可选

双变量样条的度数。默认值为3。

sfloat, 可选

为估计条件定义的正平滑因子：sum((w[i]*(z[i]-s(x[i], y[i])))**2, axis=0) <= s 默认 s=len(w)，如果 1/w[i] 是 z[i] 标准差的估计值，则应是一个良好的值。

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__(x, y[, dx, dy, grid])	在给定位置评估样条曲线或其导数。
ev(xi, yi[, dx, dy])	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)
integral(xa, xb, ya, yb)	计算样条在区域 [xa, xb] x [ya, yb] 上的积分。
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。

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

LSQSphereBivariateSpline

使用加权最小二乘拟合的球坐标系中的二元样条

RectBivariateSpline

矩形网格上的二元样条

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

x, y 和 z 的长度应至少为 (kx+1) * (ky+1)。

如果输入数据使得输入维度的单位不一致且相差多个数量级，插值函数可能会出现数值伪影。建议在插值前对数据进行重新缩放。

此例程通过 FITPACK 算法自动构建样条结向量。样条结可以放置在数据点之外。对于某些数据集，即使通过 s=0 参数请求插值样条，此例程也可能无法构建插值样条。在这种情况下，建议直接使用 bisplrep / bisplev 而不是此例程，并在需要时增加 bisplrep 的 nxest 和 nyest 参数的值。

对于线性插值，优先使用 LinearNDInterpolator。讨论见 https://gist.github.com/ev-br/8544371b40f414b7eaf3fe6217209bff。