Question

numpy.interp非常方便且相对较快。在某些情况下，我想将其输出与稀疏值传播的非插值变量（在“密集”输出中）进行比较，结果在稀疏输入之间是分段常数。我想要的功能也可以称为“稀疏 - >密集”转换器，它复制最新的稀疏值，直到找到更晚的值（一种空插值，好像零时间/距离从早期值开始经过）。

不幸的是，调整numpy.interp的源代码并不容易，因为它只是编译函数的包装器。我可以使用Python循环自己编写，但希望找到一种C-speed方法来解决问题。

更新：下面的解决方案（scipy.interpolate.interp1d和kind='zero'）相当缓慢，每次通话需要10秒以上（例如输入500k，填充50％）。它使用零阶样条实现kind='zero'，对spleval的调用非常慢。但是，kind='linear'的源代码（即默认插值）为使用直接numpy解决问题提供了一个很好的模板（最小的更改是设置slope=0）。该代码显示了如何使用numpy.searchsorted来解决问题，运行时类似于调用numpy.interp，因此通过调整线性插值的scipy.interpolate.interp1d实现来跳过插值步骤可以解决问题（斜率！= 0混合相邻的值）。

Answer 1

scipy.interpolate.interp1d可以进行各种插值：'线性'，'最近'，'零'，'线性'，'二次'，'立方'。

请查看文档：{{3}}

Answer 2

刚刚完成：问题的解决方案是以下代码，我可以借助更新后的答案中提供的提示编写：

def interpolate_constant(x, xp, yp):
    indices = np.searchsorted(xp, x, side='right')
    y = np.concatenate(([0], yp))
    return y[indices]

Answer 3

我完全同意那种='零'非常慢;对于一百万行的大数据集，它可以比“线性”方法慢1000倍。对于“左 - 常数”插值 - 使用最新值 - 以下代码有效：

def approx(x, y, xout, yleft=np.nan, yright=np.nan): 
    xoutIdx     = np.searchsorted(x, xout, side='right')-1
    return (np.where(xout<x[0], yleft, np.where(xout>x[-1], yright, y[xoutIdx])))

来自R背景，这相当于R的近似值f = 0。我还没有找到一种干净的方法来进行“右 - 常”插值，因为如果xout值与x中的值完全匹配，python的带有side ='right'的np.searchsorted会将一个索引推回...

如果我想要空插值（分段常数），numpy.interp的最佳直接替换是什么？

3 个答案: