SciPy 插值
什么是插值?
插值是一种在给定点之间生成点的方法。
例如:对于点 1 和 2，我们可以插值并找到点 1.33 和 1.66。
插值有很多用途，在机器学习中我们经常处理数据集中缺失的数据，插值通常用于替换这些值。
这种填充值的方法称为插补。
除了插补之外，插值通常用于我们需要对数据集中的离散点进行平滑处理。
如何在 SciPy 中实现?
SciPy 为我们提供了一个名为 scipy.interpolate 的模块，它有许多处理插值的函数:
一维插值
函数 interp1d() 用于对具有 1 个变量的分布进行插值。
它需要 x 和 y 点，并返回一个可调用函数，该函数可以用新的 x 并返回对应的y。
实例
对于给定的 xs 和 ys 插值从 2.1、2.2... 到 2.9:
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)
结果:
[5.2 5.4 5.6 5.8 6. 6.2 6.4 6.6 6.8]亲自试一试 »
注释: 新的 xs 应该与旧的 xs 在同一范围内，这意味着我们不能用值调用 interp_func() 大于 10 或小于 0。
样条插值
在一维插值中，点适合单曲线，而在样条插值中，点适合分段函数，该函数由称为样条的多项式定义。
UnivariateSpline() 函数采用 xs 和 ys 并生成一个可调用函数，该函数可以使用 new xs 调用。
分段函数:对不同范围有不同定义的函数。
实例
为以下非线性点找到 2.1、2.2...2.9 的单变量样条插值:
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)
结果:
[5.62826474 6.03987348 6.47131994 6.92265019 7.3939103 7.88514634 8.39640439 8.92773053 9.47917082]亲自试一试 »
径向基函数插值
径向基函数是对应于固定参考点定义的函数。
Rbf() 函数也采用 xs 和 ys 作为参数并生成一个可调用函数，该函数可以用新的 xs 调用。
实例
使用 rbf 插入以下 xs 和 ys 并找到 2.1、2.2 ... 2.9 的值:
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)
结果:
[6.25748981 6.62190817 7.00310702 7.40121814 7.8161443 8.24773402 8.69590519 9.16070828 9.64233874]亲自试一试 »
