我有一些二维的np.数组(大小相等)包含复数的。它们都属于四维空间中的一个位置。这些位置稀疏且分布不规则(准确地说是拉丁超立方体)。
我想把这些数据插值到同一个四维空间中的其他点。在
我可以使用sklearn.kriging()、scipy.interpolate.Rbf()(或其他方法)成功地对简单数字执行此操作:# arrayof co-ordinates: 2 4D sets
X = np.array([[1.0, 0.0, 0.0, 0.0],\
[0.0, 1.0, 0.0, 0.0]])
# two numbers, one for each of the points above
Y = np.array([1,\
0])
# define the type of gaussian process I want
kriging = gp.GaussianProcess(theta0=1e-2, thetaL=1e-4, thetaU=4.0,\
corr='linear', normalize=True, nugget=0.00001, optimizer='fmin_cobyla')
# train the model on the data
kmodel = kriging.fit(X,Y)
# interpolate
kmodel.predict(np.array([0.5, 0.5, 0.0, 0.0]))
# returns: array([ 0.5])
如果我试图使用数组(或者仅仅是复数)作为数据,这是行不通的:
^{pr2}$
这是显而易见的,因为kriging.fit()的docstring清楚地说明它需要一个n个标量的数组,每个标量在X的第一个维度中每个元素一个
一种解决方案是将Y中的数组分解成单独的数,将这些数分解成实部和虚部,分别对每个数进行插值,然后再将它们组合在一起。我可以用正确的循环组合和一些艺术技巧来实现这一点,但是如果有一个方法(例如在scipy.interpolate)中可以处理整个np.数组而不是标量值。在
我还没有确定具体的算法,所以我很乐意知道任何可以使用复数数组作为插值“变量”的算法。因为——正如我所说——空间中几乎没有不规则的点(而且没有网格可以插值),所以简单的线性插值当然不行。在