`np.interp`如何运作的解释

使用source，Luke！

numpy doc for np.interp使得源代码特别容易找到，因为它在那里有链接以及文档。让我们逐行了解一下。

首先，回想一下参数：

"""
x : array_like
    The x-coordinates of the interpolated values.
xp : 1-D sequence of floats
    The x-coordinates of the data points, must be increasing if argument
    `period` is not specified. Otherwise, `xp` is internally sorted after
    normalizing the periodic boundaries with ``xp = xp % period``.
fp : 1-D sequence of floats
    The y-coordinates of the data points, same length as `xp`.
period : None or float, optional
    A period for the x-coordinates. This parameter allows the proper
    interpolation of angular x-coordinates. Parameters `left` and `right`
    are ignored if `period` is specified.
"""

让我们来看一个三角波的简单例子：

xp = np.array([-np.pi/2, -np.pi/4, 0, np.pi/4])
fp = np.array([0, -1, 0, 1])
x = np.array([-np.pi/8, -5*np.pi/8])  # Peskiest points possible }:)
period = np.pi

现在，在所有类型检查发生后，我从源代码中的period != None分支开始：

# normalizing periodic boundaries
x = x % period
xp = xp % period

这只是确保所提供的x和xp的所有值都在0和period之间。因此，由于期间为pi，但我们指定x和xp介于-pi/2和pi/2之间，这将通过添加{{}来调整1}}到pi范围内的所有值，以便它们有效地出现在[-pi/2, 0)之后。因此，我们的pi/2现在会读取xp。

[pi/2, 3*pi/4, 0, pi/4]

这只是按递增顺序排序asort_xp = np.argsort(xp) xp = xp[asort_xp] fp = fp[asort_xp]。在上一步中执行模数运算后尤其需要这样做。所以，现在xp是xp。 [0, pi/4, pi/2, 3*pi/4]已经相应地改变了fp。

[0, 1, 0, -1]

xp = np.concatenate((xp[-1:]-period, xp, xp[0:1]+period)) fp = np.concatenate((fp[-1:], fp, fp[0:1])) return compiled_interp(x, xp, fp, left, right) # Paraphrasing a little执行线性插值。在尝试在np.interp中的两个点a和b之间进行插值时，它仅使用xp和f(a)的值（即{的值} {1}}在相应的索引处）。那么f(b)在最后一步中所做的是取点fp并将其放在数组前面，取点np.interp并将其放在数组之后，但之后分别减去和添加一个句点。因此，您现在拥有一个看起来像xp[-1]的新xp[0]。同样，xp和[-pi/4, 0, pi/4, pi/2, 3*pi/4, pi]已被连接，因此fp[0]现在是fp[-1]。

请注意，在模运算后，fp也已进入[-1, 0, 1, 0, -1, 0]范围，因此x现在为[0, pi]。这可以让您轻松看到自己回来x。

现在，来看你的2D案例：

假设你有一个网格和一些值。让我们把所有的值都放在[7*pi/8, 3*pi/8]之间，这样我们就不必担心模数和混乱了。

[-0.5, 0.5]

我们现在知道您需要做的就是在数组前添加[0, pi]，在结尾添加xp = np.array([0, np.pi/4, np.pi/2, 3*np.pi/4]) yp = np.array([0, 1, 2, 3]) period = np.pi # Put x on the 1st dim and y on the 2nd dim; f is linear in y fp = np.array([0, 1, 0, -1])[:, np.newaxis] + yp[np.newaxis, :] # >>> fp # array([[ 0, 1, 2, 3], # [ 1, 2, 3, 4], # [ 0, 1, 2, 3], # [-1, 0, 1, 2]])，调整时间段。请注意我是如何使用单例列表xp[[-1]]和xp[[0]]编制索引的。这是trick，以确保dimensions are preserved。

[-1]

最后，您可以自由使用scipy.interpolate.interpn来获得结果。让我们获得所有[0]的{{1}}值：

xp = np.concatenate((xp[[-1]]-period, xp, xp[[0]]+period))
fp = np.concatenate((fp[[-1], :], fp, fp[[0], :]))

必须将

x = pi/8指定为Nx2点的矩阵，其中第一个维度是您希望在第二个维度处插值的每个点，给出该点的x和y坐标。有关详细说明，请参阅this answer。

如果您希望获得超出y范围的值，您需要自己对其进行模数化：

from scipy.interpolate import interpn
interp_points = np.hstack(( (np.pi/8 * np.ones(4))[:, np.newaxis], yp[:, np.newaxis] ))
result = interpn((xp, yp), fp, interp_points)
# >>> result
# array([ 0.5,  1.5,  2.5,  3.5])

同样，如果您想为一堆x值和y值生成interp_points，请查看this answer。

Python

1 个答案:

`np.interp`如何运作的解释

现在，来看你的2D案例：

Python

1 个答案:

np.interp如何运作的解释

现在，来看你的2D案例：

`np.interp`如何运作的解释