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()

../../_images/scipy-interpolate-LSQSphereBivariateSpline-1.png

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)

scipy.interpolate.LSQBivariateSpline.integral

scipy.interpolate.LSQSphereBivariateSpline.__call__