Python SciPy SmoothSphereBivariateSpline.__call__用法及代码示例

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

用法:

SmoothSphereBivariateSpline.__call__(theta, phi, dtheta=0, dphi=0, grid=True)#

评估给定位置处的样条曲线或其导数。

参数 ：：

theta, phi： array_like

输入坐标。

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

如果网格为 True：在由坐标数组 theta、phi 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")并且与默认排序不一致np.meshgrid(..., indexing="xy").

dtheta： 整数，可选

theta-derivative的订单

dphi： int

phi-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：

假设我们要使用样条线在球体上插值二元函数。该函数的值在经度和纬度网格上已知。

>>> import numpy as np
>>> from scipy.interpolate import RectSphereBivariateSpline
>>> def f(theta, phi):
...     return np.sin(theta) * np.cos(phi)

我们评估网格上的函数。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。

>>> thetaarr = np.linspace(0, np.pi, 22)[1:-1]
>>> phiarr = np.linspace(0, 2 * np.pi, 21)[:-1]
>>> thetagrid, phigrid = np.meshgrid(thetaarr, phiarr, indexing="ij")
>>> zdata = f(thetagrid, phigrid)

接下来我们设置插值器并使用它在更精细的网格上评估函数。

>>> rsbs = RectSphereBivariateSpline(thetaarr, phiarr, zdata)
>>> thetaarr_fine = np.linspace(0, np.pi, 200)
>>> phiarr_fine = np.linspace(0, 2 * np.pi, 200)
>>> zdata_fine = rsbs(thetaarr_fine, phiarr_fine)

最后，我们将 coarsly-sampled 输入数据与 finely-sampled 插值数据一起绘制，以检查它们是否一致。

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