scipy.interpolate.BivariateSpline.

ev

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

Evaluieren des Splines an Punkten

Gibt den interpolierten Wert an (xi[i], yi[i]), i=0,...,len(xi)-1 zurück.

Parameter:

xi, yiarray_like

Eingabekoordinaten. Standard-Numpy-Broadcasting wird befolgt. Die Reihenfolge der Achsen ist konsistent mit np.meshgrid(..., indexing="ij") und inkonsistent mit der Standardreihenfolge np.meshgrid(..., indexing="xy").

dxint, optional

Ordnung der x-Ableitung

Hinzugefügt in Version 0.14.0.

dyint, optional

Ordnung der y-Ableitung

Hinzugefügt in Version 0.14.0.

Beispiele

Probieren Sie es in Ihrem Browser aus!

Angenommen, wir wollen eine exponentiell abfallende Funktion in 2 Dimensionen bilinear interpolieren.

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

Wir sampeln die Funktion auf einem groben Gitter und richten den Interpolator ein. Beachten Sie, dass die Standard- indexing="xy" von meshgrid nach der Interpolation ein unerwartetes (transponiertes) Ergebnis liefern würde.

>>> 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)

Als Nächstes sampeln wir die Funktion entlang einer diagonalen Scheibe durch den Koordinatenraum auf einem feineren Gitter mittels Interpolation.

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

Und überprüfen, ob die Interpolation als Funktion der Entfernung vom Ursprung entlang der Scheibe durch die Funktionsauswertungen geht.

>>> 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()

ZurückIn Tab öffnen