2.11 `scipy.interpolate`：插值

2.11 scipy.interpolate：插值

SciPy 核心模块详解：2.11 scipy.interpolate - 插值

scipy.interpolate 模块是 SciPy 库中用于数据插值和曲线拟合的重要工具。它提供了多种插值方法，可以根据已知的离散数据点，估计在其他位置的值。这在科学计算、工程分析、数据可视化等领域有着广泛的应用。

插值的基本概念

插值是指在离散数据点之间构造一个连续函数，使得该函数在已知数据点上的值与已知数据点的值相等。简单来说，就是“猜”出数据点之间缺失的值。

scipy.interpolate 模块的主要功能

scipy.interpolate 模块提供了以下主要功能：

• 一维插值： 基于一维数据点进行插值。

• 多维插值： 基于多维数据点进行插值。

• 样条插值： 使用样条函数进行插值，可以保证插值函数的平滑性。

• 径向基函数插值： 使用径向基函数进行插值，适用于高维数据的插值。

• 插值类的封装： 提供插值类的封装，方便用户自定义插值方法。

2.11.1 一维插值

scipy.interpolate 模块中最常用的是一维插值函数，它基于一维数据点进行插值。常用的函数包括：

• interp1d：创建一维插值函数。

• Akima1DInterpolator：使用 Akima 样条进行插值。

• CubicSpline：使用三次样条进行插值。

• PchipInterpolator：使用分段三次 Hermite 插值进行插值。

interp1d 函数

interp1d 函数是创建一维插值函数的基本工具。它的基本用法如下：

from scipy.interpolate import interp1d
import numpy as np
# 定义已知数据点
x = np.array([0, 1, 2, 3, 4])
y = np.array([0, 1, 4, 9, 16])
# 创建插值函数，kind 参数指定插值类型
f = interp1d(x, y, kind='linear')  # 线性插值
f_cubic = interp1d(x, y, kind='cubic') # 三次插值
# 使用插值函数估计其他位置的值
x_new = np.array([0.5, 1.5, 2.5, 3.5])
y_linear = f(x_new)
y_cubic = f_cubic(x_new)
print("线性插值结果：", y_linear)
print("三次插值结果：", y_cubic)
​

在上面的代码中，x 和 y 分别是已知数据点的横坐标和纵坐标。interp1d 函数根据这些数据点创建一个插值函数 f。kind 参数指定插值类型，常用的类型包括：

• 'linear'：线性插值。

• 'nearest'：最近邻插值。

• 'zero'：阶梯插值。

• 'slinear'：线性样条插值。

• 'quadratic'：二次样条插值。

• 'cubic'：三次样条插值。

创建插值函数后，可以使用该函数估计其他位置的值，例如 f(0.5) 估计横坐标为 0.5 时的纵坐标。

Akima1DInterpolator，CubicSpline 和 PchipInterpolator 函数

这三个函数都是基于样条函数的插值方法，可以保证插值函数的平滑性。它们的使用方法类似，都需要传入已知数据点的横坐标和纵坐标。

from scipy.interpolate import Akima1DInterpolator, CubicSpline, PchipInterpolator
import numpy as np
import matplotlib.pyplot as plt
# 定义已知数据点
x = np.array([0, 1, 2, 3, 4])
y = np.array([0, 1, 4, 9, 16])
# 创建插值函数
akima = Akima1DInterpolator(x, y)
cubic = CubicSpline(x, y)
pchip = PchipInterpolator(x, y)
# 生成更密集的x值用于绘图
x_new = np.linspace(0, 4, 100)
# 使用插值函数估计其他位置的值
y_akima = akima(x_new)
y_cubic = cubic(x_new)
y_pchip = pchip(x_new)
# 绘制结果
plt.figure(figsize=(10, 6))
plt.plot(x, y, 'o', label='Data Points')
plt.plot(x_new, y_akima, label='Akima Spline')
plt.plot(x_new, y_cubic, label='Cubic Spline')
plt.plot(x_new, y_pchip, label='PCHIP')
plt.legend()
plt.title('Comparison of Spline Interpolation Methods')
plt.xlabel('x')
plt.ylabel('y')
plt.grid(True)
plt.show()
​

2.11.2 多维插值

scipy.interpolate 模块也提供了多维插值函数，用于基于多维数据点进行插值。常用的函数包括：

• interpn：多维插值函数。

• RegularGridInterpolator：基于规则网格的多维插值函数。

• LinearNDInterpolator：基于散乱数据的线性插值函数。

• NearestNDInterpolator：基于散乱数据的最近邻插值函数。

interpn 函数

interpn 函数是多维插值函数的基本工具。它的基本用法如下：

from scipy.interpolate import interpn
import numpy as np
# 定义已知数据点
x = np.array([0, 1, 2])
y = np.array([0, 1])
z = np.array([[[0, 1], [2, 3], [4, 5]],
              [[6, 7], [8, 9], [10, 11]]]) # 3D array representing values at grid points
# 定义要插值的位置
points = (x, y)  # The grid coordinates
xi = np.array([[0.5, 0.5], [1.5, 0.5]]) # Points to interpolate at
# 进行插值
result = interpn(points, z, xi)
print("插值结果：", result)
​

在上面的代码中，x 和 y 定义了网格的坐标，z 是在这些网格点上的值。interpn 函数根据这些数据点创建一个插值函数，并使用该函数估计在 xi 指定位置的值。

RegularGridInterpolator 函数

RegularGridInterpolator 函数是基于规则网格的多维插值函数。它比 interpn 函数更高效，因为它利用了规则网格的结构。

from scipy.interpolate import RegularGridInterpolator
import numpy as np
# 定义已知数据点
x = np.array([0, 1, 2])
y = np.array([0, 1])
z = np.array([[[0, 1], [2, 3], [4, 5]],
              [[6, 7], [8, 9], [10, 11]]])
# 创建插值函数
f = RegularGridInterpolator((x, y), z)
# 定义要插值的位置
xi = np.array([[0.5, 0.5], [1.5, 0.5]])
# 进行插值
result = f(xi)
print("插值结果：", result)
​

LinearNDInterpolator 和 NearestNDInterpolator 函数

这两个函数是基于散乱数据的插值函数。LinearNDInterpolator 函数使用线性插值，NearestNDInterpolator 函数使用最近邻插值。

from scipy.interpolate import LinearNDInterpolator, NearestNDInterpolator
import numpy as np
# 定义已知数据点
points = np.array([[0, 0], [1, 0], [0, 1], [1, 1]])
values = np.array([0, 1, 2, 3])
# 创建插值函数
linear = LinearNDInterpolator(points, values)
nearest = NearestNDInterpolator(points, values)
# 定义要插值的位置
xi = np.array([[0.5, 0.5], [1.5, 0.5]])
# 进行插值
result_linear = linear(xi)
result_nearest = nearest(xi)
print("线性插值结果：", result_linear)
print("最近邻插值结果：", result_nearest)
​

2.11.3 径向基函数插值

径向基函数（RBF）插值是一种强大的插值方法，适用于高维数据的插值。scipy.interpolate 模块提供了 Rbf 类，用于实现径向基函数插值。

from scipy.interpolate import Rbf
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 创建一些随机数据
x, y = np.mgrid[-1:1:20j, -1:1:20j]
z = (x**2 + y**2) * np.exp(-(x**2 + y**2))
# 将网格数据转换为散点数据
points = np.vstack((x.ravel(), y.ravel())).T
values = z.ravel()
# 创建 RBF 插值函数
rbf = Rbf(points[:,0], points[:,1], values, function='gaussian')  # 选择高斯函数作为基函数
# 创建用于插值的网格
xi, yi = np.mgrid[-1:1:50j, -1:1:50j]
# 使用 RBF 插值
zi = rbf(xi, yi)
# 绘制结果
fig = plt.figure(figsize=(12, 6))
# 原始数据
ax1 = fig.add_subplot(121, projection='3d')
ax1.plot_surface(x, y, z, cmap='viridis')
ax1.set_title('Original Data')
# 插值结果
ax2 = fig.add_subplot(122, projection='3d')
ax2.plot_surface(xi, yi, zi, cmap='viridis')
ax2.set_title('RBF Interpolation')
plt.show()
​

在上面的代码中，Rbf 类的第一个参数是已知数据点的横坐标，第二个参数是已知数据点的纵坐标，第三个参数是已知数据点的值。function 参数指定径向基函数的类型，常用的类型包括：

• 'multiquadric'：多二次函数。

• 'inverse'：反函数。

• 'gaussian'：高斯函数。

• 'linear'：线性函数。

• 'cubic'：三次函数。

• 'quintic'：五次函数。

2.11.4 插值类的封装

scipy.interpolate 模块提供了插值类的封装，方便用户自定义插值方法。用户可以继承 scipy.interpolate.interpnd.AbstractInterpolator 类，并实现 __call__ 方法，从而自定义插值方法。

总结

scipy.interpolate 模块是 SciPy 库中用于数据插值和曲线拟合的重要工具。它提供了多种插值方法，可以根据已知的离散数据点，估计在其他位置的值。在选择插值方法时，需要根据数据的特点和应用场景进行选择。例如，对于平滑的数据，可以选择样条插值；对于高维数据，可以选择径向基函数插值。

Graph TD 图

这个图展示了 scipy.interpolate 模块的主要组成部分及其之间的关系。

希望这篇文章能够帮助你理解 scipy.interpolate 模块，并在实际应用中灵活运用插值方法。