示例
前文讲了分段立方插值，现在加了个双，这个双是什么意思？就是双变量的意思。也就是立体几何领域的立方插值。我举个实际场景的例子，对地形进行采样，取不同点的高度，最后回归整个地区的地形。假设这是采样数据：
x y z
0 0 5
0 5 3
0 10 5
5 0 3
5 5 10
5 10 3
10 0 5
10 5 3
10 10 5
用plot软件(gnuplot/pgfplot/python皆可)进行3D绘制，可以大致看看这九个点的位置，例如我用LaTex绘制，这九个点是这样的：
双立方插值是回归出分片的曲面，经过这些点，而且相邻两个区域的曲面平滑过渡。对上诉采样点进行插值后的四块曲面就是下图的样子：
系数矩阵
双立方函数的表达式是非常复杂的，以上例第一个分段为例子，它的方程是这样的：
z
=
f
(
x
,
y
)
=
5
−
6
(
y
/
5
)
2
+
4
(
y
/
5
)
3
+
(
−
6
+
81
(
y
/
5
)
2
−
54
(
y
/
5
)
3
)
(
x
/
5
)
2
+
(
4
−
54
(
y
/
5
)
2
+
36
(
y
/
5
)
3
)
(
x
/
5
)
3
z=f(x,y)= 5-6(y/5)^2+4(y/5)^3\\ +(-6+81(y/5)^2-54(y/5)^3)(x/5)^2\\ +(4-54(y/5)^2+36(y/5)^3)(x/5)^3\\
z=f(x,y)=5−6(y/5)2+4(y/5)3+(−6+81(y/5)2−54(y/5)3)(x/5)2+(4−54(y/5)2+36(y/5)3)(x/5)3
方程很长，计算很繁琐，也不好看，对于二元多项式，智慧的劳动人民发明了系数矩阵。那么怎么用系数矩阵呢？只需要像我这样：
z
=
f
(
x
,
y
)
=
[
5
0
−
6
4
0
0
0
0
−
6
0
81
−
54
4
0
−
54
36
]
×
[
1
y
5
(
y
5
)
2
(
y
5
)
3
]
⋅
[
1
x
5
(
x
5
)
2
(
x
5
)
3
]
z=f(x,y)= \begin{bmatrix} 5 & 0 & -6 & 4\\ 0 & 0 & 0 & 0 \\ -6 & 0 & 81 & -54\\ 4 & 0 & -54 & 36 \end{bmatrix}\times \begin{bmatrix} 1\\ \frac{y}5\\ (\frac{y}5)^2\\ (\frac{y}5)^3 \end{bmatrix} \cdot \begin{bmatrix} 1\\ \frac{x}5\\ (\frac{x}5)^2\\ (\frac{x}5)^3 \end{bmatrix}
z=f(x,y)=⎣
⎡50−640000−6081−5440−5436⎦
⎤×⎣
⎡15y(5y)2(5y)3⎦
⎤⋅⎣
⎡15x(5x)2(5x)3⎦
⎤
也就是用矩阵先叉乘
y
y
y系数向量，再点乘
x
x
x系数向量得到的点积来表示曲面方程。用矩阵表示，有两个好处，第一，看起来神清气爽，第二，计算机求值方便。所以上例中的分段曲面可以用系数矩阵表示为：
z
=
f
(
x
,
y
)
=
{
[
5
0
−
6
4
0
0
0
0
−
6
0
81
−
54
4
0
−
54
36
]
×
[
1
y
5
(
y
5
)
2
(
y
5
)
3
]
⋅
[
1
x
5
(
x
5
)
2
(
x
5
)
3
]
x
∈
[
0
,
5
]
,
y
∈
[
0
,
5
]
[
3
0
21
−
14
0
0
0
0
6
0
−
81
54
−
4
0
54
−
36
]
×
[
1
y
−
5
5
(
y
−
5
5
)
2
(
y
−
5
5
)
3
]
⋅
[
1
x
5
(
x
5
)
2
(
x
5
)
3
]
x
∈
[
0
,
5
]
,
y
∈
[
5
,
10
]
[
3
0
6
−
4
0
0
0
0
21
0
−
81
54
−
14
0
54
−
36
]
×
[
1
y
5
(
y
5
)
2
(
y
5
)
3
]
⋅
[
1
x
−
5
5
(
x
−
5
5
)
2
(
x
−
5
5
)
3
]
x
∈
[
5
,
10
]
,
y
∈
[
0
,
5
]
[
10
0
−
21
14
0
0
0
0
−
21
0
81
−
54
14
0
−
54
36
]
×
[
1
y
−
5
5
(
y
−
5
5
)
2
(
y
−
5
5
)
3
]
⋅
[
1
x
−
5
5
(
x
−
5
5
)
2
(
x
−
5
5
)
3
]
x
∈
[
5
,
10
]
,
y
∈
[
5
,
10
]
z=f(x,y)=\begin{cases} \begin{bmatrix} 5 & 0 & -6 & 4\\ 0 & 0 & 0 & 0 \\ -6 & 0 & 81 & -54\\ 4 & 0 & -54 & 36 \end{bmatrix} \times \begin{bmatrix} 1\\ \frac{y}5\\ (\frac{y}5)^2\\ (\frac{y}5)^3 \end{bmatrix} \cdot \begin{bmatrix} 1\\ \frac{x}5\\ (\frac{x}5)^2\\ (\frac{x}5)^3 \end{bmatrix}x \in[0,5], y \in[0,5]\\ \begin{bmatrix} 3 & 0 & 21 & -14\\ 0 & 0 & 0 & 0\\ 6 & 0 & -81 & 54\\ -4 & 0 & 54 & -36\\ \end{bmatrix}\times \begin{bmatrix} 1\\ \frac{y-5}5\\ (\frac{y-5}5)^2\\ (\frac{y-5}5)^3 \end{bmatrix} \cdot \begin{bmatrix} 1\\ \frac{x}5\\ (\frac{x}5)^2\\ (\frac{x}5)^3 \end{bmatrix}x \in[0,5], y \in[5,10]\\ \begin{bmatrix} 3 & 0 & 6 & -4\\ 0 & 0 & 0 & 0\\ 21 & 0 & -81 & 54\\ -14 & 0 & 54 & -36\\ \end{bmatrix}\times \begin{bmatrix} 1\\ \frac{y}5\\ (\frac{y}5)^2\\ (\frac{y}5)^3 \end{bmatrix} \cdot \begin{bmatrix} 1\\ \frac{x-5}5\\ (\frac{x-5}5)^2\\ (\frac{x-5}5)^3 \end{bmatrix}x \in[5,10], y \in[0,5]\\ \begin{bmatrix} 10 & 0 & -21 & 14\\ 0 & 0 & 0 & 0\\ -21 & 0 & 81 & -54\\ 14 & 0 & -54 & 36\\ \end{bmatrix}\times \begin{bmatrix} 1\\ \frac{y-5}5\\ (\frac{y-5}5)^2\\ (\frac{y-5}5)^3 \end{bmatrix} \cdot \begin{bmatrix} 1\\ \frac{x-5}5\\ (\frac{x-5}5)^2\\ (\frac{x-5}5)^3 \end{bmatrix}x \in[5,10], y \in[5,10]\\ \end{cases}
z=f(x,y)=⎩
⎨
⎧⎣
⎡50−640000−6081−5440−5436⎦
⎤×⎣
⎡15y(5y)2(5y)3⎦
⎤⋅⎣
⎡15x(5x)2(5x)3⎦
⎤x∈[0,5],y∈[0,5]⎣
⎡306−40000210−8154−14054−36⎦
⎤×⎣
⎡15y−5(5y−5)2(5y−5)3⎦
⎤⋅⎣
⎡15x(5x)2(5x)3⎦
⎤x∈[0,5],y∈[5,10]⎣
⎡3021−14000060−8154−4054−36⎦
⎤×⎣
⎡15y(5y)2(5y)3⎦
⎤⋅⎣
⎡15x−5(5x−5)2(5x−5)3⎦
⎤x∈[5,10],y∈[0,5]⎣
⎡100−21140000−21081−54140−5436⎦
⎤×⎣
⎡15y−5(5y−5)2(5y−5)3⎦
⎤⋅⎣
⎡15x−5(5x−5)2(5x−5)3⎦
⎤x∈[5,10],y∈[5,10]
求系数矩阵
最后的工作就是求系数矩阵了。而这是最难最复杂的部分。首先我们看其中一个网格：
根据样本数据，我们可以求得四个点的函数值、四个点的x偏导数，y偏导数以及这两个偏导数的乘积，这16个值可以求得系数矩阵的16个值，也就是解十六元一次方程。这里我就不写求解过程和推导过程了，只讲如何计算。
二元函数的梯度(注意是nabla符号
∇
\nabla
∇不是大写希腊字母
Δ
\Delta
Δ)是：
∇
f
(
x
,
y
)
=
[
∂
f
(
x
,
y
)
∂
x
∂
f
(
x
,
y
)
∂
y
]
\nabla f(x,y)=\begin{bmatrix} \frac{\partial f(x,y)}{\partial x}\\ \frac{\partial f(x,y)}{\partial y}\\ \end{bmatrix}
∇f(x,y)=[∂x∂f(x,y)∂y∂f(x,y)]
采样点组成了网格，对于网格的边缘的采样点，偏导数、偏导数乘积全部为0。对于远离边缘的采样点，我们这样用差分作为偏导数，这样求值：
∇
f
(
x
i
,
y
j
)
=
[
f
(
x
i
+
1
,
y
j
)
−
f
(
x
i
−
1
,
y
j
)
x
i
+
1
−
x
i
−
1
f
(
x
i
,
y
j
+
1
)
−
f
(
x
i
,
y
j
−
1
)
y
i
+
1
−
y
i
−
1
]
\nabla f(x_i,y_j)=\begin{bmatrix} \frac{f(x_{i+1},y_{j})-f(x_{i-1},y_{j})}{x_{i+1}-x_{i-1}}\\ \frac{f(x_{i},y_{j+1})-f(x_{i},y_{j-1})}{y_{i+1}-y_{i-1}} \end{bmatrix}
∇f(xi,yj)=[xi+1−xi−1f(xi+1,yj)−f(xi−1,yj)yi+1−yi−1f(xi,yj+1)−f(xi,yj−1)]
因为是插值，所以把差分当作偏导数的值，而偏导乘积可以这样计算：
d
2
f
(
x
i
,
y
j
)
d
x
i
d
y
j
=
f
(
x
i
+
1
,
y
j
+
1
)
+
f
(
x
i
−
1
,
y
j
−
1
)
−
f
(
x
i
−
1
,
y
j
+
1
)
−
f
(
x
i
+
1
,
y
j
−
1
)
(
x
i
+
1
−
x
i
−
1
)
(
y
i
+
1
−
y
i
−
1
)
\frac{d^2f(x_i,y_j)}{d x_id y_j}=\frac{ f(x_{i+1},y_{j+1})+f(x_{i-1},y_{j-1})-f(x_{i-1},y_{j+1})-f(x_{i+1},y_{j-1}) }{({x_{i+1}-x_{i-1}})({y_{i+1}-y_{i-1}})}
dxidyjd2f(xi,yj)=(xi+1−xi−1)(yi+1−yi−1)f(xi+1,yj+1)+f(xi−1,yj−1)−f(xi−1,yj+1)−f(xi+1,yj−1)
就这样计算出了三个二维数组，暂且命名为dx,dy,dxdy三个二维数组。然后函数值和这三个数组组成一个一个16个元素的向量
β
\beta
β。假设每个定义域分片的四个订点为
(
0
,
0
)
,
(
0
,
1
)
,
(
1
,
0
)
,
(
1
,
1
)
(0,0),(0,1),(1,0),(1,1)
(0,0),(0,1),(1,0),(1,1)，那么这个长度为16的向量就是这个样子的：
β
=
[
f
(
0
,
0
)
f
(
1
,
0
)
f
(
0
,
1
)
f
(
1
,
1
)
d
x
f
(
0
,
0
)
d
x
f
(
1
,
0
)
d
x
f
(
0
,
1
)
d
x
f
(
1
,
1
)
d
y
f
(
0
,
0
)
d
y
f
(
1
,
0
)
d
y
f
(
0
,
1
)
d
y
f
(
1
,
1
)
d
x
y
f
(
0
,
0
)
d
x
y
f
(
1
,
0
)
d
x
y
f
(
0
,
1
)
d
x
y
f
(
1
,
1
)
]
\beta=\begin{bmatrix} f(0,0)\\ f(1,0)\\ f(0,1)\\ f(1,1)\\ d_xf(0,0)\\ d_xf(1,0)\\ d_xf(0,1)\\ d_xf(1,1)\\ d_yf(0,0)\\ d_yf(1,0)\\ d_yf(0,1)\\ d_yf(1,1)\\ d_{xy}f(0,0)\\ d_{xy}f(1,0)\\ d_{xy}f(0,1)\\ d_{xy}f(1,1)\\ \end{bmatrix}
β=⎣
⎡f(0,0)f(1,0)f(0,1)f(1,1)dxf(0,0)dxf(1,0)dxf(0,1)dxf(1,1)dyf(0,0)dyf(1,0)dyf(0,1)dyf(1,1)dxyf(0,0)dxyf(1,0)dxyf(0,1)dxyf(1,1)⎦
⎤
然后
β
\beta
β向量放在标准双立方插值矩阵右边点乘一下得到一个转置的向量。这个转置的向量是由系数矩阵的元素组成，公式如下：
[
1
0
−
3
2
0
0
0
0
−
3
0
9
−
6
2
0
−
6
4
0
0
3
−
2
0
0
0
0
0
0
−
9
6
0
0
6
−
4
0
0
0
0
0
0
0
0
3
0
−
9
6
−
2
0
6
−
4
0
0
0
0
0
0
0
0
0
0
9
−
6
0
0
−
6
4
0
1
−
2
1
0
0
0
0
0
−
3
6
−
3
0
2
−
4
2
0
0
−
1
1
0
0
0
0
0
0
3
−
3
0
0
−
2
2
0
0
0
0
0
0
0
0
0
3
−
6
3
0
−
2
4
−
2
0
0
0
0
0
0
0
0
0
0
−
3
3
0
0
2
−
2
0
0
0
0
1
0
−
3
2
−
2
0
6
−
4
1
0
−
3
2
0
0
0
0
0
0
3
−
2
0
0
−
6
4
0
0
3
−
2
0
0
0
0
0
0
0
0
−
1
0
3
−
2
1
0
−
3
2
0
0
0
0
0
0
0
0
0
0
−
3
2
0
0
3
−
2
0
0
0
0
0
1
−
2
1
0
−
2
4
−
2
0
1
−
2
1
0
0
0
0
0
0
−
1
1
0
0
2
−
2
0
0
−
1
1
0
0
0
0
0
0
0
0
0
−
1
2
−
1
0
1
−
2
1
0
0
0
0
0
0
0
0
0
0
1
−
1
0
0
−
1
1
]
⋅
β
=
[
c
0
,
0
c
1
,
0
c
2
,
0
c
3
,
0
c
0
,
1
c
1
,
1
c
2
,
1
c
3
,
1
c
0
,
2
c
1
,
2
c
2
,
2
c
3
,
2
c
0
,
3
c
1
,
3
c
2
,
3
c
3
,
3
]
T
\begin{bmatrix} 1 & 0 & -3 & 2 & 0 & 0 & 0 & 0 & -3 & 0 & 9 & -6 & 2 & 0 & -6 & 4\\ 0 & 0 & 3 & -2 & 0 & 0 & 0 & 0 & 0 & 0 & -9 & 6 & 0 & 0 & 6 & -4\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 3 & 0 & -9 & 6 & -2 & 0 & 6 & -4\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 9 & -6 & 0 & 0 & -6 & 4\\ 0 & 1 & -2 & 1 & 0 & 0 & 0 & 0 & 0 & -3 & 6 & -3 & 0 & 2 & -4 & 2\\ 0 & 0 & -1 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 3 & -3 & 0 & 0 & -2 & 2\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 3 & -6 & 3 & 0 & -2 & 4 & -2\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & -3 & 3 & 0 & 0 & 2 & -2\\ 0 & 0 & 0 & 0 & 1 & 0 & -3 & 2 & -2 & 0 & 6 & -4 & 1 & 0 & -3 & 2\\ 0 & 0 & 0 & 0 & 0 & 0 & 3 & -2 & 0 & 0 & -6 & 4 & 0 & 0 & 3 & -2\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & -1 & 0 & 3 & -2 & 1 & 0 & -3 & 2\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & -3 & 2 & 0 & 0 & 3 & -2\\ 0 & 0 & 0 & 0 & 0 & 1 & -2 & 1 & 0 & -2 & 4 & -2 & 0 & 1 & -2 & 1\\ 0 & 0 & 0 & 0 & 0 & 0 & -1 & 1 & 0 & 0 & 2 & -2 & 0 & 0 & -1 & 1\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & -1 & 2 & -1 & 0 & 1 & -2 & 1\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & -1 & 0 & 0 & -1 & 1\\ \end{bmatrix}\cdot \beta=\begin{bmatrix} c_{0,0} \\c_{1,0} \\c_{2,0} \\c_{3,0}\\ c_{0,1} \\c_{1,1} \\c_{2,1} \\c_{3,1}\\ c_{0,2} \\c_{1,2} \\c_{2,2} \\c_{3,2}\\ c_{0,3} \\c_{1,3} \\c_{2,3} \\c_{3,3}\\ \end{bmatrix}^T
⎣
⎡10000000000000000000100000000000−3300−2−100000000002−2001100000000000000000010000000000000000000100000000000−3300−2−100000000002−2001100−30300000−20−1000000000−30300000−20−109−9−9963−6−36−63−34221−666−6−3−333−44−22−2−2−1−120−20000010100000000020−2000001010−666−6−4−242−33−33−2−1−2−14−4−4422−2−22−22−21111⎦
⎤⋅β=⎣
⎡c0,0c1,0c2,0c3,0c0,1c1,1c2,1c3,1c0,2c1,2c2,2c3,2c0,3c1,3c2,3c3,3⎦
⎤T
而c矩阵就是我们最终获得的系数矩阵。公式过程如此复杂，强烈建议收藏我的博客，顺便关注一波。
Python实现
双立方插值函数类：
# _*_ coding:utf-8 _*_
class BiVariablesFunction:
def __init__(self, matrix, x_domain, y_domain):
self.__matrix = matrix
self.__x_domain = x_domain
self.__y_domain = y_domain
def __call__(self, *args, **kwargs):
x = args[0]
y = args[1]
x = (x - self.__x_domain[0]) / (self.__x_domain[1] - self.__x_domain[0])
y = (y - self.__y_domain[0]) / (self.__y_domain[1] - self.__y_domain[0])
# 系数矩阵 * y幂向量*x幂向量
y_power = [1, y, y * y, y * y * y]
x_power = [1, x, x * x, x * x * x]
temp = [0, 0, 0, 0]
result = 0
for i in range(0, 4):
line = self.__matrix[i]
r = 0
for j in range(0, len(y_power)):
r += line[j] * y_power[j]
result += r * x_power[i]
return result
def index_of(values, x):
for i in range(0, len(values) - 1):
if values[i] <= x <= values[i + 1]:
return i
pass
class BiVariablesFunctions:
def __init__(self, functions, x_values, y_values):
self.__functions = functions
self.__x_values = x_values
self.__y_values = y_values
def __call__(self, *args, **kwargs):
x = args[0]
y = args[1]
index_x = index_of(self.__x_values, x)
index_y = index_of(self.__y_values, y)
return self.__functions[index_x][index_y](x, y)
插值类：
# _*_ coding:utf-8 _*_
from com.youngthing.mathalgorithm.interpolation.bivar_function import BiVariablesFunction, BiVariablesFunctions
AINV = [
[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[-3, 3, 0, 0, -2, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[2, -2, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, -3, 3, 0, 0, -2, -1, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 2, -2, 0, 0, 1, 1, 0, 0],
[-3, 0, 3, 0, 0, 0, 0, 0, -2, 0, -1, 0, 0, 0, 0, 0],
[0, 0, 0, 0, -3, 0, 3, 0, 0, 0, 0, 0, -2, 0, -1, 0],
[9, -9, -9, 9, 6, 3, -6, -3, 6, -6, 3, -3, 4, 2, 2, 1],
[-6, 6, 6, -6, -3, -3, 3, 3, -4, 4, -2, 2, -2, -2, -1, -1],
[2, 0, -2, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 2, 0, -2, 0, 0, 0, 0, 0, 1, 0, 1, 0],
[-6, 6, 6, -6, -4, -2, 4, 2, -3, 3, -3, 3, -2, -1, -2, -1],
[4, -4, -4, 4, 2, 2, -2, -2, 2, -2, 2, -2, 1, 1, 1, 1]
]
def interpolate(x_values, y_values, f_values):
# 初始化三个数组
dx, dy, dx_dy = diffs(x_values, y_values, f_values)
n = len(x_values) - 1
functions = [[None for _ in range(0, n)] for _ in range(0, n)]
for i in range(0, n):
diff_x = x_values[i + 1] - x_values[i]
for j in range(0, n):
diff_y = y_values[j + 1] - y_values[j]
beta = [
f_values[i][j], f_values[i + 1][j], f_values[i][j+1], f_values[i+1][j + 1],
dx[i][j] * diff_x, dx[i + 1][j] * diff_x, dx[i][j] * diff_x, dx[i][j + 1] * diff_x,
dy[i][j] * diff_x, dy[i + 1][j] * diff_x, dy[i][j] * diff_x, dy[i][j + 1] * diff_x,
dx_dy[i][j] * diff_y, dx_dy[i + 1][j] * diff_y, dx_dy[i][j] * diff_y, dx_dy[i][j + 1] * diff_y,
]
functions[i][j] = BiVariablesFunction(coefficients(beta),
[x_values[i], x_values[i + 1]],
[y_values[j], y_values[j + 1]])
return BiVariablesFunctions(functions, x_values, y_values)
def coefficients(beta):
n = 16
coeff = [0] * n
for i in range(0, n):
row = AINV[i]
r = 0
for j in range(0, n):
r += row[j] * beta[j]
coeff[i] = r
result = [[0] * 4 for _ in range(0, 4)]
for i in range(0, n):
result[i % 4][i // 4] = coeff[i]
return result
def diffs(x_values, y_values, f_values):
n = len(x_values)
dx = [[0 for _ in range(0, n)] for _ in range(0, n)]
dy = [[0 for _ in range(0, n)] for _ in range(0, n)]
dx_dy = [[0 for _ in range(0, n)] for _ in range(0, n)]
for i in range(1, n - 1):
diff_x = x_values[i + 1] - x_values[i - 1]
for j in range(1, n - 1):
diff_y = y_values[j + 1] - y_values[j - 1]
dy[i][j] = (f_values[i][j + 1] - f_values[i][j - 1]) / diff_y
dx[i][j] = (f_values[i + 1][j] - f_values[i - 1][j]) / diff_x
dx_dy[i][j] = (f_values[i + 1][j + 1] + f_values[i - 1][j - 1]
- f_values[i - 1][j + 1] - f_values[i + 1][j - 1]) / (diff_x * diff_x)
return dx, dy, dx_dy
测试
测试类:
import unittest
from com.youngthing.mathalgorithm.interpolation.bicubic_spline import *
class MyTestCase(unittest.TestCase):
def test_1(self):
x_values = [0, 5, 10]
y_values = [0, 5, 10]
f_values = [[5, 3, 5],
[3, 10, 3],
[5, 3, 5]]
functions = interpolate(x_values, y_values, f_values)
for x in x_values:
for y in y_values:
print(f'f({x},{y})=', functions(x, y))
print(functions(3, 3))
def test_2(self):
x_values = [0, 5, 10]
y_values = [0, 4, 8]
f_values = [[5, 3, 5],
[3, 10, 3],
[5, 3, 5]]
functions = interpolate(x_values, y_values, f_values)
for x in x_values:
for y in y_values:
print(f'f({x},{y})=', functions(x, y))
print(functions(3, 3))
if __name__ == '__main__':
unittest.main()
测试结果完全正确：
f(0,0)= 5.0
f(0,5)= 3.0
f(0,10)= 5.0
f(5,0)= 3.0
f(5,5)= 10.0
f(5,10)= 3.0
f(10,0)= 5.0
f(10,5)= 3.0
f(10,10)= 5.0
6.187136000000001
f(0,0)= 5.0
f(0,4)= 3.0
f(0,8)= 5.0
f(5,0)= 3.0
f(5,4)= 10.0
f(5,8)= 3.0
f(10,0)= 5.0
f(10,4)= 3.0
f(10,8)= 5.0
6.93725
675
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
