python三维插值从规则网格到散点_python中三维样条插值

3+维的样条插值可以使用scipy.interpolate.Rbf完成，如您所述。为了绘图，您可以使用较小的分辨率(1000点是一个很好的经验法则)，当您想要计算样条曲线时，您可以在大于132000点的点上进行插值，而不会出现问题(请参见下面的示例)。

你能在matlab中添加一个Minimal, Complete, and Verifiable example来做你想做的事情吗？这将解释为什么需要创建分辨率为132000点的栅格空间。另外，请注意，有一个维度诅咒。Matlab使用的cubic spline or a piecewise polynomial可能由于过度拟合而变得危险。我建议您使用一种更理智的方法来培训51个数据点，并应用到132000多个数据点。This是多项式曲线拟合和模型选择的一个很好的例子。

示例：

生成数据：import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import axes3d

%matplotlib inline

import random

# set seed to reproducible

random.seed(1)

data_size = 51

max_value_range = 132651

x = np.array([random.random()*max_value_range for p in range(0,data_size)])

y = np.array([random.random()*max_value_range for p in range(0,data_size)])

z = 2*x*x*x + np.sqrt(y)*y + random.random()

fig = plt.figure(figsize=(10,6))

ax = axes3d.Axes3D(fig)

ax.scatter3D(x,y,z, c='r')

拟合样条曲线并插值x_grid = np.linspace(0, 132651, 1000*len(x))

y_grid = np.linspace(0, 132651, 1000*len(y))

B1, B2 = np.meshgrid(x_grid, y_grid, indexing='xy')

Z = np.zeros((x.size, z.size))

import scipy as sp

import scipy.interpolate

spline = sp.interpolate.Rbf(x,y,z,function='thin_plate',smooth=5, episilon=5)

Z = spline(B1,B2)

fig = plt.figure(figsize=(10,6))

ax = axes3d.Axes3D(fig)

ax.plot_wireframe(B1, B2, Z)

ax.plot_surface(B1, B2, Z,alpha=0.2)

ax.scatter3D(x,y,z, c='r')

在大数据上拟合样条曲线predict_data_size = 132000

x_predict = np.array([random.random()*max_value_range for p in range(0,predict_data_size)])

y_predict = np.array([random.random()*max_value_range for p in range(0,predict_data_size)])

z_predict = spline(x_predict, y_predict)

fig = plt.figure(figsize=(10,6))

ax = axes3d.Axes3D(fig)

ax.plot_wireframe(B1, B2, Z)

ax.plot_surface(B1, B2, Z,alpha=0.2)

ax.scatter3D(x_predict,y_predict,z_predict, c='r')