Interpolation (scipy.interpolate)#

SciPy bietet mehrere allgemeine Einrichtungen für die Interpolation und Glättung von Daten in 1, 2 und höheren Dimensionen. Die Wahl einer spezifischen Interpolationsroutine hängt von den Daten ab: ob sie eindimensional sind, auf einem strukturierten Gitter gegeben sind oder unstrukturiert sind. Ein weiterer Faktor ist die gewünschte Glattheit des Interpolators. Kurz gesagt, die empfohlenen Routinen *für die Interpolation* lassen sich wie folgt zusammenfassen

Art

Routine

Kontinuität

Kommentar

1D

linear

numpy.interp

stückweise kontinuierlich

Alternativ make_interp_spline(..., k=1)

kubische Spline

CubicSpline

2. Ableitung

monotone kubische Spline

PchipInterpolator

1. Ableitung

nicht überspringend

nicht-kubische Spline

make_interp_spline

(k-1)-te Ableitung

k=3 ist äquivalent zu CubicSpline

Nächste

interp1d

Art=’nearest’, ‘previous’, ‘next’

N-D-Kurve

nächste, linear, Spline

make_interp_spline

(k-1)-te Ableitung

verwende N-dim y-Array

N-D reguläres (rechteckiges) Gitter

Nächste

RegularGridInterpolator

Methode=’nearest’

linear

Methode=’linear’

Splines

2. Ableitungen

Methode=’cubic’, ‘quintic’

monotone Splines

1. Ableitungen

Methode=’pchip’

N-D verstreut

Nächste

NearestNDInterpolator

Alias: griddata

linear

LinearNDInterpolator

kubisch (nur 2D)

CloughTocher2DInterpolator

1. Ableitungen

Radialbasis-Funktion

RBFInterpolator

Glättung und Approximation von Daten#

1D-Spline-Funktionen

make_smoothing_spline

klassische Glättungs-Splines, GCV-Strafe

make_splrep

automatisierte/halbautomatisierte Knotenauswahl

Spline-Kurven in N-D

make_splprep

unbeschränkte kleinste Quadrate Spline-Anpassung

make_lsq_spline

2D-Glättungsflächen

bisplrep

verstreute Daten

RectBivariateSpline

Gitterdaten

Radialbasis-Funktionen in N-D

RBFInterpolator

Weitere Details finden Sie in den untenstehenden Links