python interpolate.interp1d_我如何使用scipy.interpolate.interp1d使用相同的X数组插值多个Y数组?…

python interpolate.interp1d_我如何使用scipy.interpolate.interp1d使用相同的X数组插值多个Y数组?…例如,我有一个二维数据数组,其中一个维度上带有误差条,如下所示:In[1]:numpyasnpIn[2]:x=np.linspace(0,10,5)In[3]:y=np.sin(x)In[4]:y_er=(np.random.random(len(x))-0.5)*0.1In[5]:data=np.vstack([x,y,y_er]).TIn[6]:da…

大家好,又见面了,我是你们的朋友全栈君。

例如,我有一个二维数据数组,其中一个维度上带有误差条,如下所示:

In [1]: numpy as np

In [2]: x = np.linspace(0,10,5)

In [3]: y = np.sin(x)

In [4]: y_er = (np.random.random(len(x))-0.5)*0.1

In [5]: data = np.vstack([x,y,y_er]).T

In [6]: data

array([[ 0.00000000e+00, 0.00000000e+00, -6.50361821e-03],

[ 2.50000000e+00, 5.98472144e-01, -3.69252108e-03],

[ 5.00000000e+00, -9.58924275e-01, -2.99042576e-02],

[ 7.50000000e+00, 9.37999977e-01, -7.66584515e-03],

[ 1.00000000e+01, -5.44021111e-01, -4.24650123e-02]])

如果我想使用scipy.interpolate.interp1d,如何格式化它只需要调用一次?我想避免这种重复的方法:

In [7]: import scipy.interpolate as interpolate

In [8]: new_x = np.linspace(0,10,20)

In [9]: interp_y = interpolate.interp1d(data[:,0], data[:,1], kind=’cubic’)

In [10]: interp_y_er = interpolate.interp1d(data[:,0], data[:,2], kind=’cubic’)

In [11]: data_int = np.vstack([new_x, interp_y(new_x), interp_y_er(new_x)]).T

In [12]: data_int

Out[12]:

array([[ 0.00000000e+00, 1.33226763e-15, -6.50361821e-03],

[ 5.26315789e-01, 8.34210211e-01, 4.03036906e-03],

[ 1.05263158e+00, 1.18950397e+00, 7.81676344e-03],

[ 1.57894737e+00, 1.17628260e+00, 6.43203582e-03],

[ 2.10526316e+00, 9.04947417e-01, 1.45265705e-03],

[ 2.63157895e+00, 4.85798968e-01, -5.54638391e-03],

[ 3.15789474e+00, 1.69424684e-02, -1.31694104e-02],

[ 3.68421053e+00, -4.27201979e-01, -2.03689966e-02],

[ 4.21052632e+00, -7.74935541e-01, -2.61377287e-02],

[ 4.73684211e+00, -9.54559384e-01, -2.94681929e-02],

[ 5.26315789e+00, -8.97599881e-01, -2.94003966e-02],

[ 5.78947368e+00, -6.09763178e-01, -2.60650399e-02],

[ 6.31578947e+00, -1.70935195e-01, -2.06835155e-02],

[ 6.84210526e+00, 3.35772943e-01, -1.45246375e-02],

[ 7.36842105e+00, 8.27250110e-01, -8.85721975e-03],

[ 7.89473684e+00, 1.21766391e+00, -4.99008827e-03],

[ 8.42105263e+00, 1.39749683e+00, -4.58031991e-03],

[ 8.94736842e+00, 1.24503605e+00, -9.46430377e-03],

[ 9.47368421e+00, 6.38467937e-01, -2.14799109e-02],

[ 1.00000000e+01, -5.44021111e-01, -4.24650123e-02]])

我相信会是这样的:

In [13]: interp_data = interpolate.interp1d(data[:,0], data[:,1:], axis=?, kind=’cubic’)

解决方法:

因此,根据我的猜测,我尝试了axis =1.我仔细检查了唯一有意义的其他选项,axis = 0,它起作用了.所以对于下一个有同样问题的假人,这就是我想要的:

In [14]: interp_data = interpolate.interp1d(data[:,0], data[:,1:], axis=0, kind=’cubic’)

In [15]: data_int = np.zeros((len(new_x),len(data[0])))

In [16]: data_int[:,0] = new_x

In [17]: data_int[:,1:] = interp_data(new_x)

In [18]: data_int

Out [18]:

array([[ 0.00000000e+00, 1.33226763e-15, -6.50361821e-03],

[ 5.26315789e-01, 8.34210211e-01, 4.03036906e-03],

[ 1.05263158e+00, 1.18950397e+00, 7.81676344e-03],

[ 1.57894737e+00, 1.17628260e+00, 6.43203582e-03],

[ 2.10526316e+00, 9.04947417e-01, 1.45265705e-03],

[ 2.63157895e+00, 4.85798968e-01, -5.54638391e-03],

[ 3.15789474e+00, 1.69424684e-02, -1.31694104e-02],

[ 3.68421053e+00, -4.27201979e-01, -2.03689966e-02],

[ 4.21052632e+00, -7.74935541e-01, -2.61377287e-02],

[ 4.73684211e+00, -9.54559384e-01, -2.94681929e-02],

[ 5.26315789e+00, -8.97599881e-01, -2.94003966e-02],

[ 5.78947368e+00, -6.09763178e-01, -2.60650399e-02],

[ 6.31578947e+00, -1.70935195e-01, -2.06835155e-02],

[ 6.84210526e+00, 3.35772943e-01, -1.45246375e-02],

[ 7.36842105e+00, 8.27250110e-01, -8.85721975e-03],

[ 7.89473684e+00, 1.21766391e+00, -4.99008827e-03],

[ 8.42105263e+00, 1.39749683e+00, -4.58031991e-03],

[ 8.94736842e+00, 1.24503605e+00, -9.46430377e-03],

[ 9.47368421e+00, 6.38467937e-01, -2.14799109e-02],

[ 1.00000000e+01, -5.44021111e-01, -4.24650123e-02]])

我没有弄清楚使用np.vstack或np.hstack将new_x和内插数据合并在一行中的语法,但是这个post让我停止尝试,因为似乎更快地预分配了数组(例如,使用np.zeros)然后用新值填充它.

标签:scipy,python,numpy,interpolation

来源: https://codeday.me/bug/20191120/2044846.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/137567.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • java队列Queue方法[通俗易懂]

    java队列Queue方法[通俗易懂]Queue是一种很常见的数据结构类型,在java里面Queue是一个接口,它只是定义了一个基本的Queue应该有哪些功能规约。实际上有多个Queue的实现,有的是采用线性表实现,有的基于链表实现。还有的适用于多线程的环境。java中具有Queue功能的类主要有如下几个:AbstractQueue,ArrayBlockingQueue,ConcurrentLinkedQueue,LinkedB

  • Python 100道基础入门练习题(附答案)

    Python 100道基础入门练习题(附答案)实例001:数字组合题目有四个数字:1、2、3、4,能组成多少个互不相同且无重复数字的三位数?各是多少?程序分析遍历全部可能,把有重复的剃掉。1num=02forainrange(1,5):3forbinrange(1,5):4forcinrange(1,5):5if((a!=b)and(a!=c)and(b!=c)):6print(a,b,c)7nu

  • 解决docker下载镜像速度过慢_docker镜像启动后又迅速结束

    解决docker下载镜像速度过慢_docker镜像启动后又迅速结束前言上一篇讲到pull镜像,但是pull镜像的时候下拉的速度实在感人,有什么解决办法吗?我们只需将docker镜像源修改为国内的将docker镜像源修改为国内的:在/etc/docker/d

  • PyQt5布局管理之QVBoxLayout(二)[通俗易懂]

    PyQt5布局管理之QVBoxLayout(二)[通俗易懂]QVBoxLayout前言采用QVBoxLayout类,按照从上到下的顺序添加控件本节内容较少,演示两个实例,便于明白QVBoxLayout(垂直布局)的使用实例:QVBoxLayout的正常使用importsysfromPyQt5.QtWidgetsimportQApplication,QWidget,QVBoxLayout,QPushButt…

  • linux系统抓包工具_kali 抓包

    linux系统抓包工具_kali 抓包在使用ECS服务器时,发现网络流量异常,或者发现服务器有异常向外发包行为,可使用抓包工具抓取网络流量包,分析流量包的特征,看看这些流量包来自哪里,或者发向哪里了。根据这些信息,可进一步诊断异常。本文介绍Linux系统,使用tcpdump工具分析流量的方法。TcpDump可将网络中传送的数据包的“头”完全截获下来提供分析。它支持针对网络层、协议、主机、网络或端口的过滤,并提供and、not、or等逻…

  • FileStream文件流类「建议收藏」

    FileStream文件流类「建议收藏」主要讲解以下几个方面:1,FileStream文件流类,2,FileStream文件流类的创建,3,FileMode和FileAccess,FileShare方法基本介绍及注意事项用File类提供的方法在创建或打开文件时,总是会产生一个FileStream对象。类FileStream是个什么样的类?通过它的对象,怎样完成对文件的操作呢?1.FileStream文件流类简介F

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号