numpy.interp()用法

numpy.interp()主要使用场景为一维线性插值，我在直接看官方文档时一下子没有明白，后来结合图像绘制才明白它的用法，下面我们使用官方代码示例和我给出的图像对其进行简单介绍。
首先官方对该函数的解释是：

一维线性插值.
返回离散数据的一维分段线性插值结果.
 
参数
x: 数组
待插入数据的横坐标.
 
xp: 一维浮点数序列
原始数据点的横坐标，如果period参数没有指定那么就必须是递增的。否则，在使用xp = xp % period正则化之后，xp在内部进行排序.
 
fp: 一维浮点数或复数序列
原始数据点的纵坐标，和xp序列等长.
 
left: 可选参数，类型为浮点数或复数（对应于fp值），当x < xp[0]时的插值返回值，默认为fp[0].
 
right: 可选参数，类型为浮点数或复数（对应于fp值），当x > xp[-1]时的插值返回值，默认为fp[-1].
period: None或者浮点数，可选参数. 横坐标的周期. 此参数使得可以正确插入angular x-coordinates. 如果该参数被设定，那么忽略left参数和right参数。
 
返回值
浮点数或复数（对应于fp值）或ndarray. 插入数据的纵坐标，和x形状相同。

下面我们一起看一下官方给的几个示例，在这之前需要注意的是，在没有设置period参数时，默认要求xp参数是递增序列，可以使用下述代码进行检查：

	np.all(np.diff(xp) > 0)

第一个示例：

import numpy as np
import matplotlib.pyplot as plt

x = 2.5
xp = [1, 2, 3]
fp = [3, 2, 0]
y = np.interp(x, xp, fp)  # 1.0
plt.plot(xp, fp, '-o')
plt.plot(x, y, 'x')
plt.show()

输出图像为：

可以看到当x等于2.5时，在蓝色折线（原始数据构成的图线）上可以找到y=1.0为插入坐标的纵坐标。
第二个示例：

x = [0, 1, 1.5, 2.72, 3.14]
xp = [1, 2, 3]
fp = [3, 2, 0]
y = np.interp(x, xp, fp)  # array([ 3. ,  3. ,  2.5 ,  0.56,  0. ])
plt.plot(xp, fp, '-o')
plt.plot(x, y, 'x')
plt.show()

输出图像为：

当对应的x序列为[0, 1, 1.5, 2.72, 3.14]时，得到的y序列是[ 3. , 3. , 2.5 , 0.56, 0. ]，需要注意的是当x=0时，由于0 < xp[0]，所以y被设定为fp[0]，也就是3，当x=3.14时，由于3.14 > xp[-1]，则y被设定为fp[-1]，也就是0。
第三个示例：

x = 3.14
xp = [1, 2, 3]
fp = [3, 2, 0]
UNDEF = -99.0
y = np.interp(x, xp, fp, right=UNDEF)  # -99.0
plt.plot(xp, fp, '-o')
plt.plot(x, y, 'x')
plt.show()

输出图像为：

这里将right设置为-99.0，使得x=3.14 > xp[-1]时，y取值为-99.0，同理可以对x < xp[0]的值进行设置。
第四个示例：

x = np.linspace(0, 2 * np.pi, 10)
y = np.sin(x)
xvals = np.linspace(0, 2 * np.pi, 50)
yinterp = np.interp(xvals, x, y)
plt.plot(x, y, 'o')
plt.plot(xvals, yinterp, '-x')
plt.show()

输出图像为：

上图展示的是在正弦函数图像上进行插值，可以看到黄色叉叉连成的是一段段折线，这也就是利用线性插值对正弦函数进行逼近的效果。
以上示例对numpy.interp()的基本使用已经够了，还有一个参数period如何去使用以及官方给的示例我还没有搞清楚，以后弄懂了会补上，当然，如果各位读者朋友有知道的也欢迎在评论区加以指教。

参考文章：
numpy的一维线性插值函数