scipy之数据插值详解_scipy插值(2)

在结束之际，我想重申的是，学习并非如攀登险峻高峰，而是如滴水穿石般的持久累积。尤其当我们步入工作岗位之后，持之以恒的学习变得愈发不易，如同在茫茫大海中独自划舟，稍有松懈便可能被巨浪吞噬。然而，对于我们程序员而言，学习是生存之本，是我们在激烈市场竞争中立于不败之地的关键。一旦停止学习，我们便如同逆水行舟，不进则退，终将被时代的洪流所淘汰。因此，不断汲取新知识，不仅是对自己的提升，更是对自己的一份珍贵投资。让我们不断磨砺自己，与时代共同进步，书写属于我们的辉煌篇章。

需要完整版PDF学习资源

需要体系化学习资料的朋友，可以加我V获取：vip204888 （备注网络安全）

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

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。`  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/874baa71247a44aeb1d9ae75fc0fae8d.png)


#### 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。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/deb16c0099b24106b932fc9aee8b246f.png)


#### 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()

![在这里插入图片描述](https://img-blog.csdnimg.cn/c47fa1d9a2344dac83fc92495d0a8f0b.png)


#### 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
plt.plot(x,y,“bo”)
#绘制原函数的曲线
plt.plot(xi,np.sin(xi),“r”)
#绘制插值的曲线
plt.plot(xi,fi,“g”)
plt.title(“Interpolation using RGB - multiquadrics”)
plt.show()

通过下图不难发现，绿色的曲线(RBF插值函数预测的曲线)与红色的曲线(原函数)基本上是重合的，说明`RBF插值函数的预测值与原函数的值基本上都是一致的`。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/96c502261cec497d93c8840acd714d92.png)








还有兄弟不知道网络安全面试可以提前刷题吗？费时一周整理的160+网络安全面试题，金九银十，做网络安全面试里的显眼包！


王岚嵚工程师面试题（附答案），只能帮兄弟们到这儿了！如果你能答对70%，找一个安全工作，问题不大。


对于有1-3年工作经验，想要跳槽的朋友来说，也是很好的温习资料！


【完整版领取方式在文末！！】


***93道网络安全面试题***


![](https://img-blog.csdnimg.cn/img_convert/6679c89ccd849f9504c48bb02882ef8d.png)








![](https://img-blog.csdnimg.cn/img_convert/07ce1a919614bde78921fb2f8ddf0c2f.png)





![](https://img-blog.csdnimg.cn/img_convert/44238619c3ba2d672b5b8dc4a529b01d.png)



**需要体系化学习资料的朋友，可以加我V获取：vip204888 （备注网络安全）**

内容实在太多，不一一截图了


### 黑客学习资源推荐


最后给大家分享一份全套的网络安全学习资料，给那些想学习 网络安全的小伙伴们一点帮助！


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。


😝朋友们如果有需要的话，可以联系领取~

#### 1️⃣零基础入门


##### ① 学习路线


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。


![image](https://img-blog.csdnimg.cn/img_convert/acb3c4714e29498573a58a3c79c775da.gif#pic_center)


##### ② 路线对应学习视频


同时每个成长路线对应的板块都有配套的视频提供：


![image-20231025112050764](https://img-blog.csdnimg.cn/874ad4fd3dbe4f6bb3bff17885655014.png#pic_center)


#### 2️⃣视频配套工具&国内外网安书籍、文档


##### ① 工具


![](https://img-blog.csdnimg.cn/img_convert/d3f08d9a26927e48b1332a38401b3369.png#pic_center)


##### ② 视频


![image1](https://img-blog.csdnimg.cn/img_convert/f18acc028dc224b7ace77f2e260ba222.png#pic_center)


##### ③ 书籍


![image2](https://img-blog.csdnimg.cn/img_convert/769b7e13b39771b3a6e4397753dab12e.png#pic_center)

资源较为敏感，未展示全面，需要的最下面获取

![在这里插入图片描述](https://img-blog.csdnimg.cn/e4f9ac066e8c485f8407a99619f9c5b5.png#pic_center)![在这里插入图片描述](https://img-blog.csdnimg.cn/111f5462e7df433b981dc2430bb9ad39.png#pic_center)


##### ② 简历模板


![在这里插入图片描述](https://img-blog.csdnimg.cn/504b8be96bfa4dfb8befc2af49aabfa2.png#pic_center)

 **因篇幅有限，资料较为敏感仅展示部分资料，添加上方即可获取👆**




**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以点击这里获取](https://bbs.csdn.net/topics/618540462)**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**