scipy.interpolate.LSQSphereBivariateSpline¶
- class scipy.interpolate.LSQSphereBivariateSpline(theta, phi, r, tt, tp, w=None, eps=1e-16)[源代码]¶
球坐标下加权最小二乘二元样条逼近。
中的给定节点集确定平滑双三次样条曲线。 theta 和 phi 方向。
0.11.0 新版功能.
- 参数
- θ,φ,rarray_like
一维数据点序列(顺序并不重要)。坐标必须以弧度表示。θ必须在间隔内
[0, pi]
,并且φ必须在区间内[0, 2pi]
。- tt,tparray_like
严格排序的一维节点坐标序列。坐标必须满足
0 < tt[i] < pi
,0 < tp[i] < 2*pi
。- wARRAY_LIKE,可选
正一维权重序列,长度与 theta , phi 和 r 。
- eps浮动,可选
确定超定线性方程组的有效秩的阈值。 eps 应具有在开放间隔内的值
(0, 1)
,默认值为1e-16。
参见
BivariateSpline
二元样条的基类。
UnivariateSpline
一种光滑的单变量样条,用于拟合给定的数据点集合。
SmoothBivariateSpline
一种通过给定点的光顺二元样条
LSQBivariateSpline
基于加权最小二乘拟合的二元样条
RectSphereBivariateSpline
球面上矩形网格上的二元样条
SmoothSphereBivariateSpline
球坐标下的光顺二元样条
RectBivariateSpline
矩形网格上的二元样条。
bisplrep
求曲面的二元B样条表示的函数
bisplev
二元B样条及其导数的一个求值函数
注意事项
有关更多信息,请参阅 FITPACK 关于此功能的站点。
示例
假设我们在粗略网格上有全局数据(输入数据不必在网格上):
>>> from scipy.interpolate import LSQSphereBivariateSpline >>> import matplotlib.pyplot as plt
>>> theta = np.linspace(0, np.pi, num=7) >>> phi = np.linspace(0, 2*np.pi, num=9) >>> data = np.empty((theta.shape[0], phi.shape[0])) >>> data[:,0], data[0,:], data[-1,:] = 0., 0., 0. >>> data[1:-1,1], data[1:-1,-1] = 1., 1. >>> data[1,1:-1], data[-2,1:-1] = 1., 1. >>> data[2:-2,2], data[2:-2,-2] = 2., 2. >>> data[2,2:-2], data[-3,2:-2] = 2., 2. >>> data[3,3:-2] = 3. >>> data = np.roll(data, 4, 1)
我们需要设置插值器对象。在这里,我们还必须指定要使用的结的坐标。
>>> lats, lons = np.meshgrid(theta, phi) >>> knotst, knotsp = theta.copy(), phi.copy() >>> knotst[0] += .0001 >>> knotst[-1] -= .0001 >>> knotsp[0] += .0001 >>> knotsp[-1] -= .0001 >>> lut = LSQSphereBivariateSpline(lats.ravel(), lons.ravel(), ... data.T.ravel(), knotst, knotsp)
作为第一个测试,我们将查看算法在输入坐标上运行时返回的结果
>>> data_orig = lut(theta, phi)
最后,我们将数据插值到更精细的网格中
>>> fine_lats = np.linspace(0., np.pi, 70) >>> fine_lons = np.linspace(0., 2*np.pi, 90) >>> data_lsq = lut(fine_lats, fine_lons)
>>> fig = plt.figure() >>> ax1 = fig.add_subplot(131) >>> ax1.imshow(data, interpolation='nearest') >>> ax2 = fig.add_subplot(132) >>> ax2.imshow(data_orig, interpolation='nearest') >>> ax3 = fig.add_subplot(133) >>> ax3.imshow(data_lsq, interpolation='nearest') >>> plt.show()
方法:
__call__
\(θ,φ[, dtheta, dphi, grid] )计算给定位置的样条曲线或其导数。
ev
\(θ,φ[, dtheta, dphi] )对点处的样条曲线求值
get_coeffs
\()返回样条系数。
get_knots
\()返回一个元组(tx,ty),其中tx,ty分别包含样条曲线相对于x,y变量的节点位置。
get_residual
\()返回样条近似的平方残差的加权和:SUM((w [i] [(z[i]-s(x[i],y[i])))] *2,轴=0)