Python SciPy BivariateSpline.__call__用法及代码示例

本文简要介绍 python 语言中 scipy.interpolate.BivariateSpline.__call__ 的用法。

用法:

BivariateSpline.__call__(x, y, dx=0, dy=0, grid=True)#

评估给定位置处的样条曲线或其导数。

参数 ：：

x, y： array_like

输入坐标。

如果网格为 False，在点处评估样条线(x[i], y[i]), i=0, ..., len(x)-1。遵循标准 Numpy 广播。

如果 grid 为 True：在由坐标数组 x、y 定义的网格点处计算样条线。数组必须按升序排序。

轴的顺序与 np.meshgrid(..., indexing="ij") 一致，与默认顺序 np.meshgrid(..., indexing="xy") 不一致。

dx： int

x-derivative的订单

dy： int

y-derivative的订单

grid： bool

是否在输入数组跨越的网格上或在输入数组指定的点上评估结果。

例子：

假设我们想要在二维上对一个指数衰减函数进行双线性插值。

>>> import numpy as np
>>> from scipy.interpolate import RectBivariateSpline

我们在粗网格上对函数进行采样。请注意，网格网格的默认索引 =”xy” 会导致插值后出现意外(转置)结果。

>>> xarr = np.linspace(-3, 3, 100)
>>> yarr = np.linspace(-3, 3, 100)
>>> xgrid, ygrid = np.meshgrid(xarr, yarr, indexing="ij")

插值函数沿一个轴比另一轴衰减得更快。

>>> zdata = np.exp(-np.sqrt((xgrid / 2) ** 2 + ygrid**2))

接下来，我们使用插值在更精细的网格上进行采样(对于双线性，kx=ky=1)。

>>> rbs = RectBivariateSpline(xarr, yarr, zdata, kx=1, ky=1)
>>> xarr_fine = np.linspace(-3, 3, 200)
>>> yarr_fine = np.linspace(-3, 3, 200)
>>> xgrid_fine, ygrid_fine = np.meshgrid(xarr_fine, yarr_fine, indexing="ij")
>>> zdata_interp = rbs(xgrid_fine, ygrid_fine, grid=False)

并通过绘制两者来检查结果是否与输入一致。

>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(1, 2, 1, aspect="equal")
>>> ax2 = fig.add_subplot(1, 2, 2, aspect="equal")
>>> ax1.imshow(zdata)
>>> ax2.imshow(zdata_interp)
>>> plt.show()