python 复数数组_对复数数组进行插值

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