python三维数据插值_三维数据的Python插值

好的，您需要的是回归(参见：Wolfram，Wiki)或近似(参见：Wiki)。两者的一般思想正是您所需要的：找到一个函数，它将与您拥有尽可能接近的样本的函数相匹配。在

有几种方法，你可以谷歌他们，因为你现在知道需要的条件。在

这里有几个简单的例子。记住，选择一种近似的方法是重要的，并且取决于问题，没有一种方法可以正确地做到这一点。在

方法1

您得到了点P，并希望找到它的函数f的值。

如果您已经知道这个点的f的值，则返回它。

否则，找到您知道值的2^d点，最接近P，其中d是维数(函数参数的数目)。例如，对于2维((x，y)点)，您会找到4个最接近P的点。在

计算它们和点P之间的距离，得到2^d值(每个点1个)，然后计算这些距离的总和。在

计算f(P) = f(point0)*distance(point0)/sumOfDistance + f(point1)*distance(point1)/sumOfDistance + ... f(pointd-1)*distance(pointd-1)/sumOfDistance。得到这个函数的平均值。在

方法2

对于某个方程，你使这些点的误差函数最小化。例如，您可以假设g(x, y, z) = ax + by + cz + d可以用来描述您的第4列。你必须弄清楚这个函数的样子，并自己选择它的形式(你可以使用指数函数，对数，政治学等)。然后您将错误函数定义为e(a, b, c, d)，它是使用a，b，c，d，平方(我的意思是，差异是平方的，而不是a，b，c，d)之间的差值之和。Square是可选的，但通常效果更好。现在你要做的就是最小化函数e，这意味着“查找值a，b，c，d，其中{}将尽可能小”。在

你怎么做到的？如果你的函数很简单，你可以微分它，求微分的所有零点，计算这些零点的e的值，然后选择最小值。

当你的函数很复杂时，我们遇到了一个问题。有一种叫做(元)启发式的解决方案，在这种任务中非常有用。你可以阅读进化/遗传算法(两者很接近，但不一样)、粒子群优化、禁忌搜索、模拟退火等启发式方法。我不会在这里描述它们，这至少是一门计算机科学硕士课程的主题。在

图书馆呢？

嗯。。。我不确定是否有类似的东西，但如果有，我猜你会在numpy或{a5}找到它。如果不是这样的话，手工实现是非常可行的，尽管你必须谨慎并且非常好地测试它(在这样的任务中很难找到bug)。在