SciPy-Interpolation

Was ist Interpolation?

Im Bereich der numerischen Analysis in der Mathematik ist Interpolation ein Prozess oder eine Methode, um neue Datenpunkte innerhalb eines Bereichs aus bekannten, diskreten Datenpunkten abzuleiten.

Einfach gesagt, Interpolation ist eine Methode, Punkte zwischen gegebenen Punkten zu erzeugen.

Zum Beispiel:Für zwei Punkte 1 und 2 können wir interpolieren und die Punkte 1.33 und 1.66 finden.

Interpolation hat viele Verwendungen. Beim maschinellen Lernen haben wir es oft mit Daten mit fehlenden Werten zu tun, und Interpolation kann normalerweise verwendet werden, um diese Werte zu ersetzen.

Diese Methode zum Auffüllen von Werten wird als Imputation bezeichnet.

Neben der Imputation wird Interpolation oft dort verwendet, wo wir diskrete Punkte in einem Datensatz glätten müssen.

Wie implementiert man Interpolation in SciPy?

SciPy stellt das Modul scipy.interpolate zur Verfügung, um Interpolation zu handhaben.

Eindimensionale Interpolation

Für die eindimensionale Dateninterpolation können Sie die Methodeinterp1d()verwenden, um sie durchzuführen.

Diese Methode nimmt zwei Parameter: x-Punkte und y-Punkte.

Der Rückgabewert ist eine aufrufbare Funktion, die mit einem neuen x aufgerufen werden kann und das entsprechende y zurückgibt,y = f(x)。

Interpoliere die gegebenen xs und ys, von 2.1, 2.2... bis 2.9:

Beispiel

from scipy.interpolate import interp1d
import numpy as np

xs = np.arange(10)
ys = 2*xs + 1

interp_func = interp1d(xs, ys)

newarr = interp_func(np.arange(2.1, 3, 0.1))

print(newarr)

Das Ausgabeergebnis ist:

[5.2  5.4  5.6  5.8  6.   6.2  6.4  6.6  6.8]

Hinweis:Die neuen xs sollten im selben Bereich wie die alten xs liegen, was bedeutet, dass wir interp_func() nicht mit Werten größer als 10 oder kleiner als 0 aufrufen können.

Univariate Interpolation

Bei der eindimensionalen Interpolation werden Punkte an eine einzelne Kurve angepasst, während bei der Spline-Interpolation Punkte an Funktionen angepasst werden, die stückweise unter Verwendung von Polynomen definiert sind.

Die univariate Interpolation verwendet die Funktion UnivariateSpline(), die xs und ys akzeptiert und eine aufrufbare Funktion erzeugt, die mit neuen xs aufgerufen werden kann.

Eine stückweise definierte Funktion ist eine Funktion, die für verschiedene Wertebereiche der unabhängigen Variablen x unterschiedliche analytische Ausdrücke hat.

Finde die univariate Spline-Interpolation für nichtlineare Punkte 2.1, 2.2...2.9:

Beispiel

from scipy.interpolate import UnivariateSpline
import numpy as np

xs = np.arange(10)
ys = xs**2 + np.sin(xs) + 1

interp_func = UnivariateSpline(xs, ys)

newarr = interp_func(np.arange(2.1, 3, 0.1))

print(newarr)

Das Ausgabeergebnis ist:

[5.62826474 6.03987348 6.47131994 6.92265019 7.3939103  7.88514634
   8.39640439 8.92773053 9.47917082]

Interpolation mit radialen Basisfunktionen

Eine radiale Basisfunktion ist eine Funktion, die in Bezug auf feste Referenzpunkte definiert ist.

Bei der Oberflächeninterpolation verwenden wir im Allgemeinen die Interpolation mit radialen Basisfunktionen.

Die Funktion Rbf() akzeptiert xs und ys als Parameter und erzeugt eine aufrufbare Funktion, die mit neuen xs aufgerufen werden kann.

Beispiel

from scipy.interpolate import Rbf
import numpy as np

xs = np.arange(10)
ys = xs**2 + np.sin(xs) + 1

interp_func = Rbf(xs, ys)

newarr = interp_func(np.arange(2.1, 3, 0.1))

print(newarr)

Das Ausgabeergebnis ist:

  [6.25748981  6.62190817  7.00310702  7.40121814  7.8161443   8.24773402
   8.69590519  9.16070828  9.64233874]
Andere Erweiterungen