我编写了一个执行样条插值的代码:
x1 = [ 0., 13.99576991, 27.99153981, 41.98730972, 55.98307963, 69.97884954, 83.97461944, 97.97038935, 111.9661593, 125.9619292, 139.9576991, 153.953469 ]
y1 = [ 1., 0.88675318, 0.67899118, 0.50012243, 0.35737022, 0.27081293, 0.18486778, 0.11043095, 0.08582272, 0.04946131, 0.04285015, 0.02901567]
x = np.array(x1)
y = np.array(y1)
# Interpolate the data using a cubic spline to "new_length" samples
new_length = 50
new_x = np.linspace(x.min(), x.max(), new_length)
new_y = sp.interpolate.interp1d(x, y, kind='cubic')(new_x)
但是在生成new_x
和new_y
的新数据集中,原始点被消除,只保留第一个和最后一个值。我想保留原点。
答案 0 :(得分:6)
是的,linspace
不会生成x
中的任何值,除了您传递给它的{(1}}和x.min()
)。
我没有一个很好的答案,但这是一种方法:
x.max()
此代码使用:
# Interpolate the data using a cubic spline to "new_length" samples
new_length = 50
interpolated_x = np.linspace(x.min(), x.max(), new_length - len(x) + 2)
new_x = np.sort(np.append(interpolated_x, x[1:-1])) # include the original points
new_y = sp.interpolate.interp1d(x, y, kind='cubic')(new_x)
创建尽可能多的额外积分np.linspace
将额外点数组与np.append
x
按顺序放置组合数组答案 1 :(得分:0)
如果您的数据是统一的,这是另一种方式:
import numpy as np
def interpolate_add(x_add,num):
x_add_ls=[]
for i in range(x_add.shape[0]-1):
x_add_ls += (np.linspace(x_add[i],x_add[i+1],num+2)[0:-1]).tolist()
x_add_ls.append(x[-1])
return np.array(x_add_ls)
x=np.linspace(1,5,5)
print(x)
print(interpolate_add(x,3))
它打印:
[1。 2. 3. 4. 5。]
[1。 1.5 2. 2.5 3. 3.5 4. 4.5 5.]
在代码中,interpolate_add
有两个参数
x_add
是您的数据(numpy.array)。数据形状为(N,)
num
是两个原始数据之间的插入数据编号。
例如,如果您的数据为array([1, 3])
,而num
为1,则结果为array([1, 2, 3])