python线性插值

假设有一个一维数组，但是此数组中只有部分位置上有值，其它位置数据缺失，现在想用线性插值的方法将其填充。

示例代码：

import numpy as np

# 假设你有一个长度为171的数组，名为full_data，其中有13个数据点
# 用 None 表示缺失的数据点
full_data = [None] * 171

# 假设你已经有了13个数据点的索引和值
known_indices = [11, 21, 31, 41, 51, 61, 71, 81, 91, 101, 121, 141, 161]
known_values = [0.207, 0.217, 0.184, 0.177, 0.162, 0.312,
                0.253, 0.317, 0.333, 0.336, 0.352, 0.288, 0.295]

# 使用 NumPy 的interp函数进行线性插值
# 注意：interp函数要求已知数据点的索引必须是单调递增的
# 这里假设已知索引是单调递增的
full_indices = np.arange(len(full_data))
full_data = np.interp(full_indices, known_indices, known_values)

# 打印结果
print(full_data)

结果展示：

[0.207   0.207   0.207   0.207   0.207   0.207   0.207   0.207   0.207
 0.207   0.207   0.207   0.208   0.209   0.21    0.211   0.212   0.213
 0.214   0.215   0.216   0.217   0.2137  0.2104  0.2071  0.2038  0.2005
 0.1972  0.1939  0.1906  0.1873  0.184   0.1833  0.1826  0.1819  0.1812
 0.1805  0.1798  0.1791  0.1784  0.1777  0.177   0.1755  0.174   0.1725
 0.171   0.1695  0.168   0.1665  0.165   0.1635  0.162   0.177   0.192
 0.207   0.222   0.237   0.252   0.267   0.282   0.297   0.312   0.3061
 0.3002  0.2943  0.2884  0.2825  0.2766  0.2707  0.2648  0.2589  0.253
 0.2594  0.2658  0.2722  0.2786  0.285   0.2914  0.2978  0.3042  0.3106
 0.317   0.3186  0.3202  0.3218  0.3234  0.325   0.3266  0.3282  0.3298
 0.3314  0.333   0.3333  0.3336  0.3339  0.3342  0.3345  0.3348  0.3351
 0.3354  0.3357  0.336   0.3368  0.3376  0.3384  0.3392  0.34    0.3408
 0.3416  0.3424  0.3432  0.344   0.3448  0.3456  0.3464  0.3472  0.348
 0.3488  0.3496  0.3504  0.3512  0.352   0.3488  0.3456  0.3424  0.3392
 0.336   0.3328  0.3296  0.3264  0.3232  0.32    0.3168  0.3136  0.3104
 0.3072  0.304   0.3008  0.2976  0.2944  0.2912  0.288   0.28835 0.2887
 0.28905 0.2894  0.28975 0.2901  0.29045 0.2908  0.29115 0.2915  0.29185
 0.2922  0.29255 0.2929  0.29325 0.2936  0.29395 0.2943  0.29465 0.295
 0.295   0.295   0.295   0.295   0.295   0.295   0.295   0.295   0.295  ]

线性插值绘图代码：

import matplotlib.pyplot as plt
import numpy as np

# 数据
x = [11, 21, 31, 41, 51, 61, 71, 81, 91, 101, 121, 141, 161]
y = [0.207, 0.217, 0.184, 0.177, 0.162, 0.312,
     0.253, 0.317, 0.333, 0.336, 0.352, 0.288, 0.295]
x1 = np.arange(0, 171)
y1 = [0.207, 0.207, 0.207, 0.207, 0.207, 0.207, 0.207, 0.207, 0.207,
      0.207, 0.207, 0.207, 0.208, 0.209, 0.21, 0.211, 0.212, 0.213,
      0.214, 0.215, 0.216, 0.217, 0.2137, 0.2104, 0.2071, 0.2038, 0.2005,
      0.1972, 0.1939, 0.1906, 0.1873, 0.184, 0.1833, 0.1826, 0.1819, 0.1812,
      0.1805, 0.1798, 0.1791, 0.1784, 0.1777, 0.177, 0.1755, 0.174, 0.1725,
      0.171, 0.1695, 0.168, 0.1665, 0.165, 0.1635, 0.162, 0.177, 0.192,
      0.207, 0.222, 0.237, 0.252, 0.267, 0.282, 0.297, 0.312, 0.3061,
      0.3002, 0.2943, 0.2884, 0.2825, 0.2766, 0.2707, 0.2648, 0.2589, 0.253,
      0.2594, 0.2658, 0.2722, 0.2786, 0.285, 0.2914, 0.2978, 0.3042, 0.3106,
      0.317, 0.3186, 0.3202, 0.3218, 0.3234, 0.325, 0.3266, 0.3282, 0.3298,
      0.3314, 0.333, 0.3333, 0.3336, 0.3339, 0.3342, 0.3345, 0.3348, 0.3351,
      0.3354, 0.3357, 0.336, 0.3368, 0.3376, 0.3384, 0.3392, 0.34, 0.3408,
      0.3416, 0.3424, 0.3432, 0.344, 0.3448, 0.3456, 0.3464, 0.3472, 0.348,
      0.3488, 0.3496, 0.3504, 0.3512, 0.352, 0.3488, 0.3456, 0.3424, 0.3392,
      0.336, 0.3328, 0.3296, 0.3264, 0.3232, 0.32, 0.3168, 0.3136, 0.3104,
      0.3072, 0.304, 0.3008, 0.2976, 0.2944, 0.2912, 0.288, 0.28835, 0.2887,
      0.28905, 0.2894, 0.28975, 0.2901, 0.29045, 0.2908, 0.29115, 0.2915, 0.29185,
      0.2922, 0.29255, 0.2929, 0.29325, 0.2936, 0.29395, 0.2943, 0.29465, 0.295,
      0.295, 0.295, 0.295, 0.295, 0.295, 0.295, 0.295, 0.295, 0.295]

# 绘制折线图
plt.scatter(x, y, color='red', label='pre-interpolation')
plt.plot(x, y, color='pink')
# dashes设置虚线与虚线之间的间隔
plt.plot(x1, y1, alpha=1, linestyle='--',
         color='blue', dashes=(10, 10), label='post-interpolation')

# 添加标题和标签
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

plt.legend()

# 显示图形
plt.show()

结果展示：

从图片可以看出，线性插值即是将两点连成直线，插值的数据即是直线上的数据。