收费 WordPressseo优化关键词
1 主要使用方法
class scipy.interpolate.interp1d(x, y, kind='linear', axis=-1, copy=True, bounds_error=None, fill_value=nan, assume_sorted=False)2 主要函数
| x | 一维实数值数组，代表插值的自变量 | ||||||||||||||||
| y | N维实数值数组，其中沿着插值轴的 y 长度必须等于 x 的长度 默认的插值轴是 y 的最后一个轴 | ||||||||||||||||
| kind | str or int 指定插值类型的字符串或表示样条插值器阶数的整数 指定的插值类型有：
| ||||||||||||||||
| axis | y 数组中对应于 x 坐标值的轴。默认值为 -1。 | ||||||||||||||||
| copy | 若为 True，则该类会对 x 和 y 进行内部复制。若为 False，则使用 x 和 y 的引用。默认为 True | ||||||||||||||||
| bounds_error | 若为 True，在 x 范围外进行插值尝试时（需要外推）会引发 ValueError。 若为 False，则超出范围的值会被赋予 fill_value。 默认情况下，除非指定 fill_value="extrapolate"，否则会引发错误 | ||||||||||||||||
| fill_value | 如果为 ndarray（或浮点数），则在数据范围外的请求点将使用此值填充。 如果未提供，则默认为 NaN。 如果为两元素元组，则第一个元素用于 x_new < x[0]，第二个元素用于 x_new > x[-1]。 使用两元素元组或 ndarray 需要 bounds_error=False | ||||||||||||||||
| assume_sorted | 如果为 False，x 的值可以任意排序，并且首先进行排序。 如果为 True，则 x 必须是单调递增的数组 |
3 举例
3.1 导入库&准备数据
# 导入库
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import *# 数据部分
x=np.arange(0,10)
y=np.exp(-x/3.0)3.2 创建interp1d
x_new=np.arange(0,9,0.1)
y_new=f(x_new)
y_new
'''
array([1. , 0.97165313, 0.94330626, 0.91495939, 0.88661252,0.85826566, 0.82991879, 0.80157192, 0.77322505, 0.74487818,0.71653131, 0.69621989, 0.67590847, 0.65559705, 0.63528563,0.61497421, 0.5946628 , 0.57435138, 0.55403996, 0.53372854,0.51341712, 0.49886335, 0.48430958, 0.46975582, 0.45520205,0.44064828, 0.42609451, 0.41154074, 0.39698698, 0.38243321,0.36787944, 0.35745121, 0.34702298, 0.33659475, 0.32616652,0.31573829, 0.30531006, 0.29488183, 0.2844536 , 0.27402537,0.26359714, 0.25612498, 0.24865283, 0.24118068, 0.23370852,0.22623637, 0.21876422, 0.21129206, 0.20381991, 0.19634776,0.1888756 , 0.18352157, 0.17816754, 0.17281351, 0.16745947,0.16210544, 0.15675141, 0.15139738, 0.14604335, 0.14068932,0.13533528, 0.13149895, 0.12766262, 0.12382629, 0.11998996,0.11615363, 0.11231729, 0.10848096, 0.10464463, 0.1008083 ,0.09697197, 0.09422312, 0.09147426, 0.08872541, 0.08597656,0.08322771, 0.08047886, 0.07773001, 0.07498115, 0.0722323 ,0.06948345, 0.06751381, 0.06554417, 0.06357454, 0.0616049 ,0.05963526, 0.05766562, 0.05569598, 0.05372634, 0.05175671])
'''plt.plot(x,y,'o',x_new,y_new,'-')
3.3 不同kind不同结果
f_c=interp1d(x,y,kind='previous')
y_new=f_c(x_new)
plt.plot(x,y,'o',x_new,y_new,'-')