scipy.interpolate.interpn¶

scipy.interpolate.interpn(points, values, xi, method='linear', bounds_error=True, fill_value=nan)[源代码]¶

规则网格上的多维插值。

参数

points浮点数的元组，形状为(M1，)，.，(Mn，): 这些点定义了n维的规则栅格。
values类似数组，形状(M1，.，Mn，.): n维的规则网格上的数据。
xi形状为(.，ndim)的ndarray: 要对网格数据进行采样的坐标
method字符串，可选: 要执行的插值方法。支持“线性”和“最近”，以及“样条线2d”。目前只支持二维数据的Splinef2d。
bounds_error布尔值，可选: 如果为True，则在输入数据的域外请求内插值时，将引发ValueError。如果为false，则 fill_value 是使用的。
fill_value数字，可选: 如果提供，则为插值域外的点使用的值。如果无，则外推域之外的值。“Splinef2d”方法不支持外推。

退货

values_xndarray，Shape X.Shape [:-1] +值。形状 [NDIM：]: 输入坐标处的插值值。

参见

NearestNDInterpolator: N维非结构化数据的最近邻插值
LinearNDInterpolator: N维非结构化数据的分段线性插值
RegularGridInterpolator: 任意维正则网格上的线性最近邻插值
RectBivariateSpline: 矩形网格上的二元样条逼近

注意事项

0.14 新版功能.

示例

对规则三维栅格点的简单示例函数求值：

>>> from scipy.interpolate import interpn
>>> def value_func_3d(x, y, z):
...     return 2 * x + 3 * y - z
>>> x = np.linspace(0, 4, 5)
>>> y = np.linspace(0, 5, 6)
>>> z = np.linspace(0, 6, 7)
>>> points = (x, y, z)
>>> values = value_func_3d(*np.meshgrid(*points, indexing='ij'))

在某一点上计算插值函数

>>> point = np.array([2.21, 3.12, 1.15])
>>> print(interpn(points, values, point))
[12.63]

scipy.interpolate.interp2d.__call__

scipy.interpolate.RegularGridInterpolator