Question

我一直在研究如何使用scipy.interpolate函数（LinearNDInterpolator，griddata或最好是NearestNDInterpolator）

在线上有一些教程，但是我很困惑我的数据需要采用什么形式。最接近ND的在线文档非常糟糕。

该功能要求：

    x : (Npoints, Ndims) ndarray of floats
         Data point coordinates.
    y : (Npoints,) ndarray of float or complex
         Data point values.

我有以下形式的数据：xarray数据集内保存的纬度，经度，数据，时间。我要填写的数据中有一些空白。

我不知道如何告诉我的x点函数。我已经尝试过（lat，long）作为元组和np.meshgrid（lat，long），但似乎无法解决问题。

有关如何将经纬度坐标传递到函数中的任何帮助？时间坐标的加分点也可以使第三个维度的估算更加可靠。

谢谢！

Answer 1

i have tried (lat,long) as a tuple

If lat and long are 1D arrays or lists, try this:

points = np.array((lat, long)).T # make a 2D array of shape Npoints x 2
nd = NearestNDInterpolator(points, data)

The you can compute interpolated values as nd(lat1, long1), etc.

Answer 2

Scipy为非结构化数据和规则放置在网格上的数据点提供multivariate interpolation methods。非结构化数据意味着可以将数据提供为无序点列表。您的数据似乎是结构化的：它是一个大小数组（480、2040）。但是，NearestNDInterpolator适用于非结构化数据。 flatten方法可用于将数组转换为值（长度为480 * 2040）的列表（1d）。必须对坐标执行相同的操作。 meshgrid用于获取网格中每个点的坐标，flatten再次用于获取2d坐标的“列表”（形状为480 * 2040 x 2的数组）。

这是一个从结构化数据到非结构化数据的示例：

import numpy as np

lat = np.linspace(2, 6, 10)
lon = np.linspace(5, 9, 14)

latM, lonM = np.meshgrid(lat, lon)  # M is for Matrix

dataM = np.sin(latM)*np.cos(lonM)  # example of data, Matrix form

from scipy.interpolate import NearestNDInterpolator

points = np.array((latM.flatten(), lonM.flatten())).T
print( points.shape )
# >>> (140, 2)

f_nearest = NearestNDInterpolator(points, dataM.flatten())
f_nearest(5, 5)

在这种情况下，使用NaN并不是什么大问题，因为它只是列表中的一个缺失点，除了缺失点的坐标也必须从列表中删除。

在NaN上进行科学ND插值

2 个答案: