scipy之数据插值详解_scipy插值

import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt


#用于计算插值函数使用到的数据点
x = np.linspace(0,2\*np.pi,4)
y = np.sin(x)
#用于插值函数进行预测的数据点
x_all = np.linspace(0,2\*np.pi,20)
y_all = np.sin(x_all)
#绘制插值使用的数据点
# plt.plot(x,y,color="r",marker="o")
#绘制真实的曲线
plt.plot(x_all,y_all,color="r",linestyle="-")
#设置使用的插值算法
kind_list = ["linear","cubic","quadratic","nearest"]
#设置线的类型
line_type_list = [":","-.","--",":"]
#设置线的颜色
line_color_list = ["g","b","k","y"]
for i,kind in enumerate(kind_list):
    #使用线性插值来计算函数
    f = interp1d(x,y,kind=kind)
    #使用插值函数来计算其他点的取值
    f_y = f(x_all)
    #绘制曲线
    plt.plot(x_all,f_y,color=line_color_list[i],linestyle=line_type_list[i])

#添加图例
plt.legend(["data","linear","cubic","quadratic","nearest"], loc='best')

plt.show()

我们使用interp1d 实现了几种不同的插值算法，有兴趣的同学可以尝试另外几种插值算法的效果，在使用插值算法利用离散点来计算函数的时候我们只使用了4个点，然后再用函数来预测20个点的取值，使得绘制的曲线能够更加平滑，以便我们更好的观察不同插值算法的效果。

data表示的是实际的曲线，所以如果与红色曲线吻合的越好说明插值算法的效果越好，拟合函数的误差更小，从下图来看，quadratic插值算法的效果最好。这并不能说明quadrati插值算法的效果，一定会好于其他的插值算法，主要还是需要根据使用场景以及曲线。

多元的数据插值

多元的数据中的元其实指的是变量，也就是说函数的变量有多个，对于2维及以上维度的数据，都是以grid的形式来存储数据。在scipy中提供了griddata方法专门来针对高维的数据进行插值计算
参数：

• points：输入数据点
• values：数据点对应的值
• xi：插入的数据点，也就是需要预测值的数据点
• method ：使用的插值算法linear, nearest, cubic
• fill_value：用于填充输入数据点外的值，默认使用nan，这个值对于nearest插值算法没有影响
• rescale：在执行插值前将数据点缩放到单元立方体

import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import griddata

def fun(x,y):
    """定义一个2元函数
 :param x:
 :param y:
 :return:
 """
    return x\*(1-x)\*np.cos(4\*np.pi\*x) \* np.sin(4\*np.pi\*y\*\*2)\*\*2

#x从0到1取100个值,y从0到1取200个值组合作为预测的数据点
#最终返回的值是按照grid的形式返回的
grid_x,grid_y = np.mgrid[0:1:100j,0:1:200j]

#随机获取1000个点
rng = np.random.default_rng()
points = rng.random((1000,2))
#获取点的取值
values = fun(points[:,0],points[:,1])
method_list = ["nearest","linear","cubic"]
localtion_list = [222,223,224]

plt.subplot(221)
plt.imshow(fun(grid_x,grid_y).T,extent=(0,1,0,1),origin="lower")
#k.绘制黑色的数据点
plt.plot(points[:,0],points[:,1],"k.",ms=1)
plt.title("Original")

for i,method in enumerate(method_list):
    #利用不同的插值算法来获取预测数据点的结果
    grid_z = griddata(points,values,(grid_x,grid_y),method=method)
    #以图片的形式绘制数据点的结果,因为是3D只能通过图片形式来展示结果
    plt.subplot(localtion_list[i])
    #绘制不同插值算法预测结果
    plt.imshow(grid_z.T,extent=(0,1,0,1),origin="lower")
    plt.title(method)

#调整每张子图的大小
plt.gcf().set_size_inches(6,6)
plt.show()

Original展示的是原函数的取值，黑色的点表示的是插值算法所使用的数据点，从下图来看cubic插值算法的结果与原函数取值更加接近。

样条插值

样条插值需要两个基本的步骤：

1. 计算样条表示的曲线
2. 使用样条去计算需要预测数据点的值

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

x = np.arange(0,2\*np.pi+np.pi/4,2\*np.pi/8)
y = np.sin(x)
#计算样条表示的参数
tck = interpolate.splrep(x,y,s=0)
#需要预测的数据点
xnew = np.arange(0,2\*np.pi,np.pi/50)
#使用样条来预测数据点的值
ynew = interpolate.splev(xnew,tck,der=0)

plt.figure()
#绘制插值函数
plt.plot(x,y,"o",xnew,ynew,"--",xnew,np.sin(xnew),"-",x,y,"-.")
plt.legend(["Liner","Cubic Spline","data"])
plt.axis([-0.05,6.33,-1.05,1.05])
plt.title("Cubic-spline interpolation")
plt.show()

使用径向基函数进行插值

径向基函数可以用于N维离散数据的平滑/插值，但是对于观测数据点范围外的数据应该谨慎使用

import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import Rbf,InterpolatedUnivariateSpline

#插值使用的数据点
x = np.linspace(0,10,9)
y = np.sin(x)
#预测值用到的数据点
xi = np.linspace(0,10,101)

#使用RBF函数进行插值
rbf = Rbf(x,y)
fi = rbf(xi)
#绘制数据点


### 给大家的福利


**零基础入门**


对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。


![](https://img-blog.csdnimg.cn/img_convert/95608e9062782d28f4f04f821405d99a.png)


同时每个成长路线对应的板块都有配套的视频提供：


![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/a91b9e8100834e9291cfcf1695d8cd42.png#pic_center)


因篇幅有限，仅展示部分资料