scipy.interpolate.RegularGridInterpolator.

call#

RegularGridInterpolator.__call__(xi, method=None, *, nu=None)[Quelle]#

Interpolation an Koordinaten.

Parameter:

xindarray von Form (…, ndim): Die Koordinaten, an denen der Interpolator ausgewertet werden soll.
methodstr, optional: Die durchzuführende Interpolationsmethode. Unterstützt werden „linear“, „nearest“, „slinear“, „cubic“, „quintic“ und „pchip“. Standard ist die beim Erstellen des Interpolators gewählte Methode.
nuSequenz von Ganzzahlen, Länge ndim, optional: Wenn nicht None, die Ordnungen der auszuwertenden Ableitungen. Jeder Eintrag muss nicht-negativ sein. Nur für die Methoden „slinear“, „cubic“ und „quintic“ erlaubt.

Hinzugefügt in Version 1.13.

Rückgabe:

values_xndarray, Form xi.shape[:-1] + values.shape[ndim:]: Interpolierte Werte an xi. Siehe Hinweise zum Verhalten, wenn xi.ndim == 1.

Hinweise

Wenn xi.ndim == 1 ist, wird eine neue Achse in die 0-Position des zurückgegebenen Arrays, values_x, eingefügt, sodass seine Form stattdessen (1,) + values.shape[ndim:] lautet.

Beispiele

Hier definieren wir einen Nearest-Neighbor-Interpolator einer einfachen Funktion

>>> import numpy as np
>>> x, y = np.array([0, 1, 2]), np.array([1, 3, 7])
>>> def f(x, y):
...     return x**2 + y**2
>>> data = f(*np.meshgrid(x, y, indexing='ij', sparse=True))
>>> from scipy.interpolate import RegularGridInterpolator
>>> interp = RegularGridInterpolator((x, y), data, method='nearest')

Per Konstruktion verwendet der Interpolator die Nearest-Neighbor-Interpolation

>>> interp([[1.5, 1.3], [0.3, 4.5]])
array([2., 9.])

Wir können jedoch den linearen Interpolanten auswerten, indem wir den method-Parameter überschreiben

>>> interp([[1.5, 1.3], [0.3, 4.5]], method='linear')
array([ 4.7, 24.3])

__call__#

call#