python 一維二維插值實(shí)例
一維插值
插值不同于擬合。插值函數(shù)經(jīng)過樣本點(diǎn),擬合函數(shù)一般基于最小二乘法盡量靠近所有樣本點(diǎn)穿過。常見插值方法有拉格朗日插值法、分段插值法、樣條插值法。
拉格朗日插值多項(xiàng)式:當(dāng)節(jié)點(diǎn)數(shù)n較大時(shí),拉格朗日插值多項(xiàng)式的次數(shù)較高,可能出現(xiàn)不一致的收斂情況,而且計(jì)算復(fù)雜。隨著樣點(diǎn)增加,高次插值會(huì)帶來誤差的震動(dòng)現(xiàn)象稱為龍格現(xiàn)象。
分段插值:雖然收斂,但光滑性較差。
樣條插值:樣條插值是使用一種名為樣條的特殊分段多項(xiàng)式進(jìn)行插值的形式。由于樣條插值可以使用低階多項(xiàng)式樣條實(shí)現(xiàn)較小的插值誤差,這樣就避免了使用高階多項(xiàng)式所出現(xiàn)的龍格現(xiàn)象,所以樣條插值得到了流行。
在CODE上查看代碼片派生到我的代碼片
#!/usr/bin/env python # -*-coding:utf-8 -*- import numpy as np from scipy import interpolate import pylab as pl x=np.linspace(0,10,11) #x=[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.] y=np.sin(x) xnew=np.linspace(0,10,101) pl.plot(x,y,"ro") for kind in ["nearest","zero","slinear","quadratic","cubic"]:#插值方式 #"nearest","zero"為階梯插值 #slinear 線性插值 #"quadratic","cubic" 為2階、3階B樣條曲線插值 f=interpolate.interp1d(x,y,kind=kind) # ‘slinear', ‘quadratic' and ‘cubic' refer to a spline interpolation of first, second or third order) ynew=f(xnew) pl.plot(xnew,ynew,label=str(kind)) pl.legend(loc="lower right") pl.show()
結(jié)果:
二維插值
方法與一維數(shù)據(jù)插值類似,為二維樣條插值。
在CODE上查看代碼片派生到我的代碼片
# -*- coding: utf-8 -*- """ 演示二維插值。 """ import numpy as np from scipy import interpolate import pylab as pl import matplotlib as mpl def func(x, y): return (x+y)*np.exp(-5.0*(x**2 + y**2)) # X-Y軸分為15*15的網(wǎng)格 y,x= np.mgrid[-1:1:15j, -1:1:15j] fvals = func(x,y) # 計(jì)算每個(gè)網(wǎng)格點(diǎn)上的函數(shù)值 15*15的值 print len(fvals[0]) #三次樣條二維插值 newfunc = interpolate.interp2d(x, y, fvals, kind='cubic') # 計(jì)算100*100的網(wǎng)格上的插值 xnew = np.linspace(-1,1,100)#x ynew = np.linspace(-1,1,100)#y fnew = newfunc(xnew, ynew)#僅僅是y值 100*100的值 # 繪圖 # 為了更明顯地比較插值前后的區(qū)別,使用關(guān)鍵字參數(shù)interpolation='nearest' # 關(guān)閉imshow()內(nèi)置的插值運(yùn)算。 pl.subplot(121) im1=pl.imshow(fvals, extent=[-1,1,-1,1], cmap=mpl.cm.hot, interpolation='nearest', origin="lower")#pl.cm.jet #extent=[-1,1,-1,1]為x,y范圍 favals為 pl.colorbar(im1) pl.subplot(122) im2=pl.imshow(fnew, extent=[-1,1,-1,1], cmap=mpl.cm.hot, interpolation='nearest', origin="lower") pl.colorbar(im2) pl.show()
左圖為原始數(shù)據(jù),右圖為二維插值結(jié)果圖。
二維插值的三維展示方法
在CODE上查看代碼片派生到我的代碼片
# -*- coding: utf-8 -*- """ 演示二維插值。 """ # -*- coding: utf-8 -*- import numpy as np from mpl_toolkits.mplot3d import Axes3D import matplotlib as mpl from scipy import interpolate import matplotlib.cm as cm import matplotlib.pyplot as plt def func(x, y): return (x+y)*np.exp(-5.0*(x**2 + y**2)) # X-Y軸分為20*20的網(wǎng)格 x = np.linspace(-1, 1, 20) y = np.linspace(-1,1,20) x, y = np.meshgrid(x, y)#20*20的網(wǎng)格數(shù)據(jù) fvals = func(x,y) # 計(jì)算每個(gè)網(wǎng)格點(diǎn)上的函數(shù)值 15*15的值 fig = plt.figure(figsize=(9, 6)) #Draw sub-graph1 ax=plt.subplot(1, 2, 1,projection = '3d') surf = ax.plot_surface(x, y, fvals, rstride=2, cstride=2, cmap=cm.coolwarm,linewidth=0.5, antialiased=True) ax.set_xlabel('x') ax.set_ylabel('y') ax.set_zlabel('f(x, y)') plt.colorbar(surf, shrink=0.5, aspect=5)#標(biāo)注 #二維插值 newfunc = interpolate.interp2d(x, y, fvals, kind='cubic')#newfunc為一個(gè)函數(shù) # 計(jì)算100*100的網(wǎng)格上的插值 xnew = np.linspace(-1,1,100)#x ynew = np.linspace(-1,1,100)#y fnew = newfunc(xnew, ynew)#僅僅是y值 100*100的值 np.shape(fnew) is 100*100 xnew, ynew = np.meshgrid(xnew, ynew) ax2=plt.subplot(1, 2, 2,projection = '3d') surf2 = ax2.plot_surface(xnew, ynew, fnew, rstride=2, cstride=2, cmap=cm.coolwarm,linewidth=0.5, antialiased=True) ax2.set_xlabel('xnew') ax2.set_ylabel('ynew') ax2.set_zlabel('fnew(x, y)') plt.colorbar(surf2, shrink=0.5, aspect=5)#標(biāo)注 plt.show()
左圖的二維數(shù)據(jù)集的函數(shù)值由于樣本較少,會(huì)顯得粗糙。而右圖對(duì)二維樣本數(shù)據(jù)進(jìn)行三次樣條插值,擬合得到更多數(shù)據(jù)點(diǎn)的樣本值,繪圖后圖像明顯光滑多了。
補(bǔ)充知識(shí):python中對(duì)Dataframe二維查表插值的實(shí)現(xiàn)方法
今天在計(jì)算風(fēng)力發(fā)電機(jī)捕捉風(fēng)能功率的時(shí)候,需要對(duì)葉片掃略面積內(nèi)的風(fēng)能做個(gè)功率效率折減,即Cp系數(shù),Cp的定義如下,即實(shí)際利用的風(fēng)能與輸入風(fēng)能的比例
輸入風(fēng)能是空氣密度與風(fēng)速的函數(shù),可以直接計(jì)算:
那么實(shí)際得到的能力是Pin與Cp的乘積。
Cp通常是一個(gè)二維表,橫坐標(biāo)是TSR(葉尖速與風(fēng)速的比值),縱坐標(biāo)是PITCH Angle(槳葉角)。風(fēng)機(jī)的運(yùn)行數(shù)據(jù)中是包含風(fēng)速 ,轉(zhuǎn)速以及槳葉角信息的,并且通過直接讀入到DataFrame,那么就需要根據(jù)TSR與PA對(duì)Cp查表并且插值得到Cp。主要用到scipy.interpolate.interp2d創(chuàng)建插值函數(shù)并查表,另外Dataframe不能直接用插值函數(shù),這里做了個(gè)for循環(huán)分行插值查表。
from scipy.interpolate import interp2d df_rotormap = pd.read_csv('filepath',header = None) #讀取Cp表 x = np.array(df_rotormap.iloc[:,0].dropna()) #Cp表的X坐標(biāo)是TSR y = np.array(df_rotormap.iloc[:,1]) #Cp表的Y坐標(biāo)是pitch angle z = np.array(df_rotormap.iloc[:,2:]) #Cp表的具體值,y行x列 rho = 1.225 #kg/m3 s = (141/2)**2*np.pi #m2 df_cal['TSR'] = df_cal['發(fā)電機(jī)轉(zhuǎn)速(PDM1)']/148*141*np.pi/60/df_cal['風(fēng)速'] func_new = interp2d(x,y,z,kind = 'linear') #定義二維表插值函數(shù),選擇線性插值 cp_list = [] for i in range(df_cal.shape[0]): cp = float(func_new(df_cal['TSR'][i],df_cal['1號(hào)槳葉角度'][i])) #輸入X,Y坐標(biāo), 輸出插值計(jì)算的Cp cp_list.append(cp) df_cal['cp'] = cp_list #把Cp放回到Dataframe中去 df_cal['air_power'] = 0.5*rho*s*df_cal['風(fēng)速']**3*df_cal['cp']
以上這篇python 一維二維插值實(shí)例就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
相關(guān)文章
Python實(shí)現(xiàn)給文件添加內(nèi)容及得到文件信息的方法
這篇文章主要介紹了Python實(shí)現(xiàn)給文件添加內(nèi)容及得到文件信息的方法,可實(shí)現(xiàn)從文件開頭添加內(nèi)容的功能,需要的朋友可以參考下2015-05-05tensorflow 2.0模式下訓(xùn)練的模型轉(zhuǎn)成 tf1.x 版本的pb模型實(shí)例
這篇文章主要介紹了tensorflow 2.0模式下訓(xùn)練的模型轉(zhuǎn)成 tf1.x 版本的pb模型實(shí)例,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨想過來看看吧2020-06-06Python使用collections模塊實(shí)現(xiàn)擴(kuò)展數(shù)據(jù)類
Python?標(biāo)準(zhǔn)庫(kù)提供了一個(gè)?collections?模塊,里面提供了很多的數(shù)據(jù)類,在工作中使用這些類能夠簡(jiǎn)化我們的開發(fā),本文就來看看collections是如何實(shí)現(xiàn)擴(kuò)展數(shù)據(jù)類的吧2023-06-06pytest實(shí)現(xiàn)多進(jìn)程與多線程運(yùn)行超好用的插件
本文主要介紹了pytest實(shí)現(xiàn)多進(jìn)程與多線程運(yùn)行超好用的插件,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2022-07-07opencv python 對(duì)指針儀表讀數(shù)識(shí)別的兩種方式
這篇文章主要介紹了opencv python 對(duì)指針儀表讀數(shù)識(shí)別的兩種方式,本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2021-01-01python的列表生成式,生成器和generator對(duì)象你了解嗎
這篇文章主要為大家詳細(xì)介紹了python的列表生成式,生成器和generator對(duì)象,文中示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下,希望能夠給你帶來幫助2022-03-03python實(shí)現(xiàn)批量修改圖片格式和尺寸
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)批量修改圖片格式和尺寸的方法,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2018-06-06Python中requests模塊的請(qǐng)求參數(shù)詳解
這篇文章主要介紹了Python中requests模塊的請(qǐng)求參數(shù)詳解,requests模塊是一個(gè)網(wǎng)絡(luò)請(qǐng)求模塊,可以幫助我們模擬成客戶端去請(qǐng)求服務(wù)器的數(shù)據(jù),我們今天就是主要針對(duì)這個(gè)模塊進(jìn)行學(xué)習(xí),需要的朋友可以參考下2023-08-08python中偏函數(shù)partial用法實(shí)例分析
這篇文章主要介紹了python中偏函數(shù)partial用法,實(shí)例分析了偏函數(shù)partial的功能、定義及使用方法,需要的朋友可以參考下2015-07-07