（数值分析）各种插值法的python实现
⼀维插值
插值不同于拟合。插值函数经过样本点，拟合函数⼀般基于最⼩⼆乘法尽量靠近所有样本点穿过。常见插值⽅法有拉格朗⽇插值法、分段插值法、样条插值法。
1. 拉格朗⽇插值多项式：当节点数n较⼤时，拉格朗⽇插值多项式的次数较⾼，可能出现不⼀致的收敛情况，⽽且计算复杂。随着样点增
加，⾼次插值会带来误差的震动现象称为龙格现象。
2. 分段插值：虽然收敛，但光滑性较差。
3. 样条插值：样条插值是使⽤⼀种名为样条的特殊分段多项式进⾏插值的形式。由于样条插值可以使⽤低阶多项式样条实现较⼩的插值误
差，这样就避免了使⽤⾼阶多项式所出现的龙格现象，所以样条插值得到了流⾏。
# -*-coding:utf-8 -*-
import numpy as np
from scipy import interpolate
import pylab as pl
x=np.linspace(0,10,11)
#x=[  0.  1.  2.  3.  4.  5.  6.  7.  8.  9.  10.]
y=np.sin(x)
xnew=np.linspace(0,10,101)
pl.plot(x,y,"ro")
for kind in ["nearest","zero","slinear","quadratic","cubic"]:#插值⽅式
#"nearest","zero"为阶梯插值
linspace numpy
#slinear 线性插值
#"quadratic","cubic" 为2阶、3阶B样条曲线插值
f=interpolate.interp1d(x,y,kind=kind)
# ‘slinear’, ‘quadratic’ and ‘cubic’ refer to a spline interpolation of first, second or third order)
ynew=f(xnew)
pl.plot(xnew,ynew,label=str(kind))
pl.legend(loc="lower right")
pl.show()
结果：
⼆维插值
⽅法与⼀维数据插值类似，为⼆维样条插值。
# -*- coding: utf-8 -*-
"""
演⽰⼆维插值。
"""
import numpy as np
from scipy import interpolate
import pylab as pl
import matplotlib as mpl
def func(x, y):
return (x+y)*np.exp(-5.0*(x**2 + y**2))
# X-Y轴分为15*15的⽹格
y,x= np.mgrid[-1:1:15j, -1:1:15j]
fvals = func(x,y) # 计算每个⽹格点上的函数值  15*15的值
print len(fvals[0])
#三次样条⼆维插值
newfunc = interpolate.interp2d(x, y, fvals, kind='cubic')
# 计算100*100的⽹格上的插值
xnew = np.linspace(-1,1,100)#x
ynew = np.linspace(-1,1,100)#y
fnew = newfunc(xnew, ynew)#仅仅是y值  100*100的值
# 绘图
# 为了更明显地⽐较插值前后的区别，使⽤关键字参数interpolation='nearest'
# 关闭imshow()内置的插值运算。
pl.subplot(121)
im1=pl.imshow(fvals, extent=[-1,1,-1,1], hot, interpolation='nearest', origin="lower")#pl.cm.jet #extent=[-1,1,-1,1]为x,y范围  favals为
pl.subplot(122)
im2=pl.imshow(fnew, extent=[-1,1,-1,1], hot, interpolation='nearest', origin="lower")
pl.show()
左图为原始数据，右图为⼆维插值结果图。
⼆维插值的三维展⽰⽅法
# -*- coding: utf-8 -*-
"""
演⽰⼆维插值。
"""
# -*- coding: utf-8 -*-
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
import matplotlib as mpl
from scipy import interpolate
as cm
import matplotlib.pyplot as plt
def func(x, y):
return (x+y)*np.exp(-5.0*(x**2 + y**2))
# X-Y轴分为20*20的⽹格
x = np.linspace(-1, 1, 20)
y = np.linspace(-1,1,20)
x, y = np.meshgrid(x, y)#20*20的⽹格数据
fvals = func(x,y) # 计算每个⽹格点上的函数值  15*15的值
fig = plt.figure(figsize=(9, 6))
#Draw sub-graph1
ax=plt.subplot(1, 2, 1,projection = '3d')
surf = ax.plot_surface(x, y, fvals, rstride=2, cstride=2, lwarm,linewidth=0.5, antialiased=True)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('f(x, y)')
#⼆维插值
newfunc = interpolate.interp2d(x, y, fvals, kind='cubic')#newfunc为⼀个函数
# 计算100*100的⽹格上的插值
xnew = np.linspace(-1,1,100)#x
ynew = np.linspace(-1,1,100)#y
fnew = newfunc(xnew, ynew)#仅仅是y值  100*100的值  np.shape(fnew) is 100*100
xnew, ynew = np.meshgrid(xnew, ynew)
ax2=plt.subplot(1, 2, 2,projection = '3d')
surf2 = ax2.plot_surface(xnew, ynew, fnew, rstride=2, cstride=2, lwarm,linewidth=0.5, antialiased=True) ax2.set_xlabel('xnew')
ax2.set_ylabel('ynew')
ax2.set_zlabel('fnew(x, y)')
plt.show()
左图的⼆维数据集的函数值由于样本较少，会显得粗糙。⽽右图对⼆维样本数据进⾏三次样条插值，拟合得到更多数据点的样本值，绘图后图像明显光滑多了。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。