结果是正确的。但在我的实际问题中,数据太大,所以我想直接应用插值而不使用 for循环。任何想法都将不胜感激。
import numpy as np
from scipy.interpolate import interp1d
data = np.array([[99,0,3,4,5],
[6,7,0,9,10],
[11,22,0,14,15]],dtype=np.float32)
data[data==0] = np.nan
def gap_fill(y):
not_nan = ~np.isnan(y)
x = np.arange(len(y))
interp = interp1d(x[not_nan], y[not_nan], kind='linear')
ynew = interp(x)
return ynew
results = []
for d in data:
gapfilled = gap_fill(d)
results.append(gapfilled)
print results
[array([ 99., 51., 3., 4., 5.]), array([ 6., 7., 8., 9., 10.]), array([ 11., 22., 18., 14., 15.])]
答案 0 :(得分:2)
当时我想到的是:
In [8]: gap_fill(data.flatten()).reshape(data.shape)
Out[8]:
array([[ 99., 51., 3., 4., 5.],
[ 6., 7., 8., 9., 10.],
[ 11., 22., 18., 14., 15.]])
这适用于您的示例,因为所有nan
都在行的内部。但是对于行末端的元素,这会将外推转换为跨行的插值,这可能是您不想要的。
严格来说,线性插值是找到两个点之间的值,(1-a)*x1+a*x2
,其中0<=a<=1
。如果a
超出该范围,则为线性外推。
interp1
中的默认操作是在外推案例中引发错误。由于您的迭代gap_fill
运行,您不得有任何外推案例。在这种情况下,我的扁平解决方案应该可以正常工作。
它看起来不像interp1d
使用任何C代码进行线性插值。另外,查看其文档,您可以通过添加copy=False, assume_sorted=True
来获得一些速度。
其核心行动是:
slope = (y_hi - y_lo) / (x_hi - x_lo)[:, None]
y_new = slope*(x_new - x_lo)[:, None] + y_lo