本文章向大家介绍Python numpy.interp实例讲解，主要分析其语法、参数、返回值和注意事项，并结合实例形式分析了其使用技巧，希望通过本文能帮助到大家理解应用这部分内容。

用法:

1


numpy.interp(x, xp, fp, left=None, right=None, period=None)


单调增加样本点的一维线性插值。

将一维分段线性插值返回给具有给定离散数据点的函数 (经验,fp)，评估为x.

参数：

返回：

抛出：

x： array_like

计算插值的 x 坐标。

xp： 一维浮点序列

数据点的 x 坐标，如果参数必须增加时期未指定。否则，经验在用标准化周期性边界后进行内部排序xp = xp % period.

fp： 浮点数或复数的一维序列

数据点的 y 坐标，长度与 xp 相同。

left： 对应于 fp 的可选浮点数或复数

x < xp[0] 的返回值，默认为 fp[0]。

right： 对应于 fp 的可选浮点数或复数

x > xp[-1] 的返回值，默认为 fp[-1]。

period： 无或浮点数，可选

x 坐标的句点。此参数允许正确插值角度 x 坐标。如果指定了 period，则忽略参数 left 和 right。

y： float 或 complex(对应于 fp)或 ndarray

插值，与 x 的形状相同。

ValueError

如果 xp 和 fp 的长度不同 如果 xp 或 fp 不是一维序列 如果 period == 0

警告

x 坐标序列预计会增加，但这没有明确强制执行。但是，如果序列 xp 不增加，则插值结果是没有意义的。

请注意，由于 NaN 是不可排序的，经验也不能包含 NaN。

xp 严格增加的简单检查是：

1


np.all(np.diff(xp) > 0)


例子：

1

2

3

4

5

6

7

8

9


>>> xp = [1, 2, 3]

>>> fp = [3, 2, 0]

>>> np.interp(2.5, xp, fp)

1.0

>>> np.interp([0, 1, 1.5, 2.72, 3.14], xp, fp)

array([3.  , 3.  , 2.5 , 0.56, 0.  ])

>>> UNDEF = -99.0

>>> np.interp(3.14, xp, fp, right=UNDEF)

-99.0


绘制正弦函数的插值：

1

2

3

4

5

6

7

8

9

10

11

12

13

14


import numpy as np

 

x = np.linspace(0, 2*np.pi, 10)

y = np.sin(x)

xvals = np.linspace(0, 2*np.pi, 50)

# 增加 范围外的x 值

xvals=np.append(xvals,(6.5,8.0))

yinterp = np.interp(xvals, x, y)  #xvals代表要生成点的横坐标，x代表原来区间的横坐标，y代表原来区间值得纵坐标。

import matplotlib.pyplot as plt

plt.plot(x, y, 'o')  #蓝色的点

plt.plot(xvals, yinterp, '-x') #黄色的区域

plt.show()

print(x)

# print()


Python numpy.interp的实例详解_浮点数

使用周期性 x 坐标进行插值：

1

2

3

4

5


>>> x = [-180, -170, -185, 185, -10, -5, 0, 365]

>>> xp = [190, -190, 350, -350]

>>> fp = [5, 10, 3, 4]

>>> np.interp(x, xp, fp, period=360)

array([7.5 , 5.  , 8.75, 6.25, 3.  , 3.25, 3.5 , 3.75])


复杂插值：

1

2

3

4

5


>>> x = [1.5, 4.0]

>>> xp = [2,3,5]

>>> fp = [1.0j, 0, 2+3j]

>>> np.interp(x, xp, fp)

array([0.+1.j , 1.+1.5j])


到此这篇关于Python numpy.interp的实例详解的文章就介绍到这了,更多相关Python numpy.interp内容请搜索51CTO或继续浏览下面的相关文章希望大家以后多多支持51CTO！