Python SciPy SmoothBivariateSpline.ev用法及代码示例

本文简要介绍 python 语言中 scipy.interpolate.SmoothBivariateSpline.ev 的用法。

用法:

SmoothBivariateSpline.ev(xi, yi, dx=0, dy=0)#

评估点处的样条线

返回 (xi[i], yi[i]), i=0,...,len(xi)-1 处的插值。

参数 ：：

xi, yi： array_like

输入坐标。遵循标准 Numpy 广播。轴的顺序与 np.meshgrid(..., indexing="ij") 一致，与默认顺序 np.meshgrid(..., indexing="xy") 不一致。

dx： 整数，可选

x-derivative的订单

dy： 整数，可选

y-derivative的订单

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
>>> def f(x, y):
...     return np.exp(-np.sqrt((x / 2) ** 2 + y**2))

我们在粗网格上对函数进行采样并设置插值器。请注意，网格网格的默认 indexing="xy" 会在插值后导致意外(转置)结果。

>>> xarr = np.linspace(-3, 3, 21)
>>> yarr = np.linspace(-3, 3, 21)
>>> xgrid, ygrid = np.meshgrid(xarr, yarr, indexing="ij")
>>> zdata = f(xgrid, ygrid)
>>> rbs = RectBivariateSpline(xarr, yarr, zdata, kx=1, ky=1)

接下来，我们使用插值沿着更精细网格上的坐标空间的对角线切片对函数进行采样。

>>> xinterp = np.linspace(-3, 3, 201)
>>> yinterp = np.linspace(3, -3, 201)
>>> zinterp = rbs.ev(xinterp, yinterp)

并检查插值是否作为沿着切片距原点的距离的函数通过函数评估。

>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(1, 1, 1)
>>> ax1.plot(np.sqrt(xarr**2 + yarr**2), np.diag(zdata), "or")
>>> ax1.plot(np.sqrt(xinterp**2 + yinterp**2), zinterp, "-b")
>>> plt.show()