在算法分析过程中,我们经常会遇到数据需要处理插值的过程,为了方便理解,我们这里给出相关概念和源程序,希望能帮助到您!
案例一:
已知坐标 (x0, y0) 与 (x1, y1),要求得区间 [x0, x1] 内某一点位置 x 在直线上的y值。两点间直线方程,我们有
那么,如何实现它呢?
依据数值分析,我们可以发现存在递归情况
import matplotlib.pyplot as plt
"""
详细描述;
1)计算n阶差商 f[x0, x1, x2 ... xn]
2) xi 所有插值节点的横坐标集合 o
3) fi 所有插值节点的纵坐标集合 / \
4) 返回xi的i阶差商(i为xi长度减1) o o
5) a. 必须确保xi与fi长度相等 / \ / \
b. 由于用到了递归,所以留意不要爆栈了. o o o o
c. 递归减递归(每层递归包含两个递归函数), 每层递归次数呈二次幂增长,总次数是一个满二叉树的所有节点数量(所以极易栈溢出)
"""
def get_order_diff_quot(xi = [], fi = []):
if len(xi) > 2 and len(fi) > 2:
return (get_order_diff_quot(xi[:len(xi) - 1], fi[:len(fi) - 1]) - get_order_diff_quot(xi[1:len(xi)], fi[1:len(fi)])) / float(xi[0] - xi[-1])
return (fi[0] - fi[1]) / float(xi[0] - xi[1])
"""
6) 获得Wi(x)函数;
Wi的含义举例 W1 = (x - x0); W2 = (x - x0)(x - x1); W3 = (x - x0)(x - x1)(x - x2)
7) i i阶(i次多项式)
8) xi 所有插值节点的横坐标集合
9) 返回Wi(x)函数
"""
def get_Wi(i = 0, xi = []):
def Wi(x):
result = 1.0
for each in range(i):
result *= (x - xi[each])
return result
return Wi
"""
获得牛顿插值函数
"""
def get_Newton_inter(xi = [], fi = []):
def Newton_inter(x):
result = fi[0]
for i in range(2, len(xi)):
result += (get_order_diff_quot(xi[:i], fi[:i]) * get_Wi(i-1, xi)(x))
return result
return Newton_inter
"""
demo:
"""
if __name__ == '__main__':
''' 插值节点, 这里用二次函数生成插值节点,每两个节点x轴距离位10 '''
sr_x = [i for i in range(-50, 51, 10)]
sr_fx = [i**2 for i in sr_x]
Nx = get_Newton_inter(sr_x, sr_fx) # 获得插值函数
tmp_x = [i for i in range(-50, 51)] # 测试用例
tmp_y = [Nx(i) for i in tmp_x] # 根据插值函数获得测试用例的纵坐标
''' 画图 '''
plt.figure("I love china")
ax1 = plt.subplot(111)
plt.sca(ax1)
plt.plot(sr_x, sr_fx, linestyle = '', marker='o', color='b')
plt.plot(tmp_x, tmp_y, linestyle = '--', color='r')
plt.show()
执行结果;
image.png
此外,我们也可以对一维线性插值使用指定得库:numpy.interp
numpy.interp(x,xp,fp,left = None,right = None,period = None )
将一维分段线性插值返回给具有给定离散数据点(xp,fp)的函数,该函数在x处求值
参数说明:
x :类似数组
评估插值的x坐标
xp :一维浮点数序列
如果未指定参数周期,则数据点的x坐标必须增加 . 否则,在用归一化周期边界之后对xp进行内部排序,xp = xp % period.
fp :一维浮点数或复数序列
数据点的y坐标,与xp的长度相同。
left :对应于fp的可选float或complex
x <xp [0]的返回值,默认值为fp [0]。
right :对应于fp的可选float或complex
x> xp [-1]的返回值,默认值为fp [-1]。
period :无或浮动,可选
X坐标的句点,此参数允许对x坐标进行适当的插值。如果指定了period,则忽略参数left和right。
Returns:
y :浮点型或复数(对应于fp)或ndarray
内插值,形状与x相同。
Raises:
ValueError
If xp and fp have different length If xp or fp are not 1-D sequences If period == 0
检查: 如果xp没有增加,则结果是无意义的。
案例二:
另一方面:线性插值是一种使用线性多项式进行曲线拟合的方法,可以在一组离散的已知数据点范围内构造新的数据点。
实际上,这可能意味着您可以推断已知位置点之间的新的估计位置点,以创建更高频率的数据或填写缺失值。
以最简单的形式,可视化以下图像:
image.png
在此,已知数据点在位置(1,1)和(3,3)处为红色。使用线性迭代,我们可以在它们之间添加一个点,该点可以显示为蓝色。
这是一个非常简单的问题,如果我们拥有更多已知的数据点,并且想要特定频率的插值点又该怎么办呢?
这可以使用numpy包中的两个函数在Python中非常简单地实现:
#Let's create ten x and y values that follow a sine curve
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 2*np.pi, 10)
y = np.sin(x)
plt.plot(x, y, 'o')
plt.show()
image
我们有十个已知点,但是假设我们要一个50个序列。
我们可以使用np.linspace做到这一点;序列的起点,序列的终点以及我们想要的数据点总数
起点和终点将与您的初始x值的起点和终点相同,因此在此我们指定0和2 * pi。我们还指定了对序列中50个数据点的请求
xvals = np.linspace(0,2 * np.pi,50)
现在,进行线性插值!使用np.interp,我们传递所需数据点的列表(我们在上面创建的50个),然后传递原始的x和y值
yinterp = np.interp(xvals,x,y)
现在,让我们绘制原始值,然后覆盖新的内插值!
plt.plot(x,y,'o')
plt.plot(xvals,yinterp,'-x')
plt.show()
image.png
案例三:
您还可以将此逻辑应用于时间序列中的x和y坐标。在这里,您将根据时间对x值进行插值,然后针对时间对y值进行插值。如果您想在时间序列中使用更频繁的数据点(例如,您想在视频帧上叠加一些数据),或者缺少数据点或时间戳不一致,这将特别有用。
让我们为一个场景创建一些数据,在该场景中,在60秒的比赛时间里,一辆赛车仅发出十个位置(x&y)输出(在整个60秒的时间内,时间也不一致):
import numpy as np
import matplotlib.pyplot as plt
timestamp = (0,5,10,15,30,35,40,50,55,60)
x_coords = (0,10,12,13,19,13,12,19,21,25)
y_coords = (0,5,10,7,2,8,15,19,14,15)
#Now, let's create the start time for the race, the end time, and the duration - we'll need these values for the linear interpolation
start_timestamp = min(timestamp)
end_timestamp = max(timestamp)
duration_seconds = (end_timestamp - start_timestamp)
#Apply the spacing, and the the interpolation independently for the x values and the y values
new_intervals = np.linspace(start_timestamp, end_timestamp, duration_seconds)
new_x_coords = np.interp(new_intervals, timestamp, x_coords)
new_y_coords = np.interp(new_intervals, timestamp, y_coords)
#Let's have a look at the interpolated positional values that we now have:
plt.plot(x_coords, y_coords, 'o')
plt.plot(new_x_coords, new_y_coords, '-x')
plt.show()
参考文献
https://www.jianshu.com/p/dd3c74515aa2https://www.jianshu.com/p/48b48e6b67cdhttps://docs.scipy.org/doc/scipy-1.0.0/reference/tutorial/interpolate.htmlhttps://www.cnblogs.com/tensory/p/6590779.htmlhttps://jingyan.baidu.com/article/6f2f55a16aba04b5b93e6cca.html
你可能会喜欢
Jmeter关联系列_数据驱动中的业务逻辑关联
docker搭建接口自动化持续集成框架
python28:迷宫游戏最短路径算法
4300 字Python列表使用总结,用心!
盘一盘 Python 系列基础篇十一之 机器学习 Sklearn
盘一盘 Python 系列特别篇十八之 日期时间 DateTime
Linux环境部署之ubuntu网络配置
性能测试指标7:性能测试的阶段性工作
jmeter之对jar包进行调用
jmeter之爬取网络图片
软件质量保障体系图
研发过程中的测试工作
APP测试流程及测试点
WEB测试范围小结
作为一个对测试有情怀的人,希望本公众号的文章能够帮助到大家,测试这条路不容易,请大家多多帮忙推广,将越来越多志同道合的小伙伴聚集,在这条道路上互相扶持,一起走下去……
测试交流,加我备注【测试交流】拉入交流群,更有不定期资料赠送,敬请期待
福利来一波~~~
关注公众号回复以下信息送免费资料
回复Jenkins 领取Jenkins学习资料回复Jmeter 领取Jmeter学习资料
回复Java 领取Java学习资料
回复Python 领取python入门资料
回复RobotFramework 领取RobotFramework 框架搭建资料
本文转载自【公众号:AI科技与算法编程】