![](/img/trans.png)
[英]Python: How to interpolate 'unstructured' 2D Fourier transform data
[英]Scipy interpolate on structured 2d data, but evaluate at unstructured points?
我有以下最小代码使用scipy.interpolate.interp2d
对二维网格数据进行插值。
import numpy as np
from scipy import interpolate
x = np.arange(-5.01, 5.01, 0.25)
y = np.arange(-5.01, 5.01, 0.25)
xx, yy = np.meshgrid(x, y)
z = np.sin(xx**2+yy**2)
f = interpolate.interp2d(x, y, z, kind='cubic')
现在这里的f可用于评估其他点。 问题是我要评估的点是完全随机的点,而不是形成规则网格。
# Evaluate at point (x_new, y_new), in total 256*256 points
x_new = np.random.random(256*256)
y_new = np.random.random(256*256)
func(x_new, y_new)
这会在我的电脑中导致运行时错误,它似乎将 x_new 和 y_new 视为网格,生成一个评估矩阵 65536x65536,这不是我的目的。
RuntimeError: Cannot produce output of size 65536x65536 (size too large)
完成任务的一种方法是使用代码逐个评估点:
z_new = np.array([f(i, j) for i, j in zip(x_new, y_new)])
然而,它很慢!!!
%timeit z_new = np.array([f(i, j) for i, j in zip(x_new, y_new)])
1.26 s ± 46.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
有没有更快的方法来评估随机点?
在这里更快,我的意思是与下面的时间相当:
x_new = np.random.random(256)
y_new = np.random.random(256)
%timeit f(x_new, y_new)
相同的 256*256 = 65536 次评估,是时候在我的 PC 上进行了:
1.21 ms ± 39.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
它不必与 1.21ms 处于可比的速度,121 ms 是完全可以接受的。
您正在寻找的功能是scipy.interpolate.RegularGridInterpolator
给定一组点 (x,y,z),其中 x & y 在规则网格上定义,它允许您对中间 (x,y) 点的 z 值进行采样。 在您的情况下,这将如下所示
import numpy as np
from scipy import interpolate
x = np.arange(-5.01, 5.01, 0.25)
y = np.arange(-5.01, 5.01, 0.25)
def f(x,y):
return np.sin(x**2+y**2)
z = f(*np.meshgrid(x, y, indexing='ij', sparse=True))
func = interpolate.RegularGridInterpolator((x,y), z)
x_new = np.random.random(256*256)
y_new = np.random.random(256*256)
xy_new = list(zip(x_new,y_new))
z_new = func(xy_new)func(xy_new)
有关更多详细信息,请参阅https://docs.scipy.org/doc/scipy-0.16.1/reference/generated/scipy.interpolate.RegularGridInterpolator.html
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.