HoRain云--SciPy插值：从入门到精通

HoRain 云小助手个人主页⛺️生活的理想就是为了理想的生活!⛳️ 推荐前些天发现了一个超棒的服务器购买网站性价比超高大内存超划算忍不住分享一下给大家。点击跳转到网站。目录⛳️ 推荐 SciPy 插值完整指南 什么是插值 scipy.interpolate 模块概览一维插值多维插值1️⃣ 一维插值详解方法一interp1d最常用interp1d 参数详解不同插值类型的效果对比方法二CubicSpline推荐方法三PchipInterpolator保持单调性方法四UnivariateSpline带平滑2️⃣ 多维插值详解griddata散乱数据插值griddata 参数RegularGridInterpolator规则网格Rbf径向基函数⚡ 实用案例案例一填补缺失数据案例二提高图像分辨率案例三时间序列插值 各插值方法特性对比⚠️ 注意事项 最佳实践总结 SciPy 插值完整指南根据搜索到的最新信息2024-2025我为您整理了SciPy 插值的详细说明和使用方法。 什么是插值类型定义与拟合的区别插值 (Interpolation)通过已知数据点构建一个函数该函数必须经过所有已知点严格要求曲线通过所有原始数据点拟合 (Fitting)找到最佳匹配数据的函数模型不要求通过所有点只追求整体最优# 应用场景 # ✅ 填补缺失数据 # ✅ 平滑离散数据曲线 # ✅ 预测未知点的值 # ✅ 提高数据分辨率 scipy.interpolate 模块概览SciPy 提供了多种插值方法按维度分类如下一维插值类/函数特点适用场景interp1d简单直接多种插值方式快速一维插值UnivariateSpline带平滑参数的样条插值有噪声数据Akima1DInterpolatorAkima样条局部适应性好局部变化剧烈数据PchipInterpolator保持单调性物理意义重要的数据CubicSpline三次样条二阶导数连续需要平滑曲线BarycentricInterpolator重心插值高精度要求多维插值类/函数特点适用场景griddata不规则网格点插值散乱数据插值RegularGridInterpolator规则网格插值规则采样数据RectBivariateSpline矩形区域双变量样条规则二维数据Rbf径向基函数插值不规则三维及以上1️⃣ 一维插值详解方法一interp1d最常用from scipy.interpolate import interp1d import numpy as np # 原始数据点 x np.array([0, 1, 2, 3, 4]) y np.array([0, 1, 4, 9, 16]) # y x² # 创建插值函数 # kind: linear(线性), nearest, zero, slinear, quadratic, cubic f_linear interp1d(x, y, kindlinear) f_cubic interp1d(x, y, kindcubic) # 生成新的x点进行插值 x_new np.linspace(0, 4, 20) # 计算插值结果 y_linear f_linear(x_new) y_cubic f_cubic(x_new) print(y_linear[:5]) # 查看前几个插值结果interp1d 参数详解参数说明默认值x自变量数组一维必需y因变量数组一维或多维必需kind插值类型linearaxis沿哪个轴进行插值-1copy是否复制数据Truebounds_error超出范围是否报错Falsefill_value超出范围的值np.nanassume_sorted是否假设已排序False不同插值类型的效果对比import matplotlib.pyplot as plt x np.array([0, 1, 2, 3, 4]) y np.array([0, 1, 4, 9, 16]) x_new np.linspace(0, 4, 100) fig, ax plt.subplots(figsize(10, 6)) # 绘制原始数据点 ax.plot(x, y, ro, label原始数据) # 线性插值 f_linear interp1d(x, y, kindlinear) ax.plot(x_new, f_linear(x_new), b-, label线性插值) # 三次插值 f_cubic interp1d(x, y, kindcubic) ax.plot(x_new, f_cubic(x_new), g--, label三次插值) ax.legend() plt.title(不同插值类型对比) plt.show()方法二CubicSpline推荐from scipy.interpolate import CubicSpline # 创建三次样条插值 cs CubicSpline(x, y) # 插值 x_new np.linspace(0, 4, 100) y_new cs(x_new) # 也可以求导数 dy_dx cs.derivative()(x_new) # 一阶导数 d2y_dx2 cs.derivative(n2)(x_new) # 二阶导数 print(f在 x2.5 处的值: {cs(2.5)}) print(f在 x2.5 处的斜率: {cs.derivative()(2.5)})方法三PchipInterpolator保持单调性from scipy.interpolate import PchipInterpolator # 对于可能非单调变化的数据避免过冲 pchip PchipInterpolator(x, y) x_new np.linspace(0, 4, 100) y_new pchip(x_new) # PCHIP不会引入额外的极值点适合物理意义重要的数据方法四UnivariateSpline带平滑from scipy.interpolate import UnivariateSpline # s 参数控制平滑程度越大越平滑 # 如果数据有噪声这个很重要 spline UnivariateSpline(x, y, s2.0) x_new np.linspace(0, 4, 100) y_new spline(x_new) # 调整平滑参数 # s 0 → 精确插值 # s len(x) → 更平滑但可能偏离原数据2️⃣ 多维插值详解griddata散乱数据插值from scipy.interpolate import griddata import numpy as np # 原始散乱数据点 points np.array([[0, 0], [1, 0], [0, 1], [1, 1], [0.5, 0.5]]) values np.array([0, 1, 1, 2, 1]) # 创建插值网格 xi np.linspace(0, 1, 100) yi np.linspace(0, 1, 100) XI, YI np.meshgrid(xi, yi) # 插值三种方法对比 # nearest: 最近邻插值 - 速度快但不平滑 # linear: 线性插值 - 平衡速度与质量 # cubic: 三次插值 - 最平滑速度较慢 ZI_nearest griddata(points, values, (XI, YI), methodnearest) ZI_linear griddata(points, values, (XI, YI), methodlinear) ZI_cubic griddata(points, values, (XI, YI), methodcubic)griddata 参数参数说明points原始数据点坐标 (N, ndim)values原始数据值 (N,)xi插值点坐标 ((M,) 或 (M, M) 等)methodnearest,linear,cubicfill_value外推区域的填充值rescale是否先缩放数据到单位超立方体RegularGridInterpolator规则网格from scipy.interpolate import RegularGridInterpolator # 规则网格数据 xi np.array([0, 1, 2]) yi np.array([0, 1, 2]) zi np.array([0, 1, 2]) # Z[i,j,k] 对应于 xi[i], yi[j], zi[k] Z np.zeros((3, 3, 3)) Z[0, 0, 0] 0; Z[1, 0, 0] 1; Z[2, 0, 0] 2 Z[0, 1, 0] 1; Z[1, 1, 0] 2; Z[2, 1, 0] 3 Z[0, 2, 0] 2; Z[1, 2, 0] 3; Z[2, 2, 0] 4 # 创建插值器 interp_func RegularGridInterpolator((xi, yi, zi), Z) # 查询任意点的值 query_points np.array([[1.5, 1.5, 1.5], [0.5, 0.5, 0.5]]) result interp_func(query_points) print(result) # [[2.5] [0.5]]Rbf径向基函数from scipy.interpolate import Rbf # 散乱点插值 xi [1.2, 3.2, 4.7, 7.9] yi [3.8, 6.7, 7.1, 3.4] zi [5.9, 7.8, 9.3, 4.2] # 创建径向基插值对象 r Rbf(xi, yi, zi, functionthin_plate) # 查询新点 x_new 2.0 y_new 5.0 z_new r(x_new, y_new) print(f预测高度: {z_new}) # 可用的function选项 # linear, multiquadric, inverse, gaussian, thin_plate, etc.⚡ 实用案例案例一填补缺失数据import numpy as np from scipy.interpolate import interp1d # 模拟有缺失的数据 time np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) temp np.array([20.1, 21.5, np.nan, 24.3, 25.8, np.nan, 28.1, 29.0, 30.2, 31.0]) # 有效数据索引 valid_mask ~np.isnan(temp) t_valid time[valid_mask] temp_valid temp[valid_mask] # 创建插值函数 f interp1d(t_valid, temp_valid, kindcubic) # 填补缺失值 temp_filled np.where(np.isnan(temp), f(time), temp) print(填补后的数据:, temp_filled)案例二提高图像分辨率import numpy as np from scipy.interpolate import griddata import matplotlib.pyplot as plt # 低分辨率图像数据 low_res_x np.linspace(0, 10, 10) low_res_y np.linspace(0, 10, 10) X_low, Y_low np.meshgrid(low_res_x, low_res_y) # 示例温度场数据 Z_low np.sin(X_low * np.pi / 10) * np.cos(Y_low * np.pi / 10) # 高分辨率目标 high_res_x np.linspace(0, 10, 100) high_res_y np.linspace(0, 10, 100) XI_high, YI_high np.meshgrid(high_res_x, high_res_y) # 网格转换为点 points np.column_stack((X_low.flatten(), Y_low.flatten())) values Z_low.flatten() # 插值到高空间分辨率 Z_high griddata(points, values, (XI_high, YI_high), methodcubic) # 可视化 fig, axes plt.subplots(1, 2, figsize(12, 5)) axes[0].contourf(X_low, Y_low, Z_low, 20) axes[0].set_title(低分辨率) axes[1].contourf(XI_high, YI_high, Z_high, 50) axes[1].set_title(高分辨率插值后) plt.tight_layout() plt.show()案例三时间序列插值import pandas as pd import numpy as np from scipy.interpolate import interp1d # 创建有缺失的时间序列 df pd.DataFrame({ date: pd.date_range(2024-01-01, periods10, freqD), value: [1.0, 1.5, np.nan, 2.5, np.nan, 3.5, np.nan, 4.5, 5.0, 5.5] }) # 方法一使用 DataFrame 内置方法 df_interpolated df.copy() df_interpolated[value] df_interpolated[value].interpolate(methodcubic) # 方法二使用 scipy df[days] (df[date] - df[date].min()).dt.days valid_idx df[value].notna() f interp1d(df.loc[valid_idx, days], df.loc[valid_idx, value]) df[value_scipy] f(df[days]) print(df) 各插值方法特性对比方法平滑度速度单调性外推能力适用场景线性插值低最快✅❌简单快速需求三次插值高中等❌⚠️需要平滑曲线PCHIP中快✅❌保持物理意义最近邻最低最快✅✅分类数据径向基高慢❌⚠️多維散乱数据UnivariateSpline可调快取决于参数❌有噪声数据⚠️ 注意事项问题建议数据点太少至少需要4个点用于三次插值数据有噪声使用 UnivariateSpline 加平滑参数超出范围设置 fill_value 或 bounds_errorFalse数据不单调使用 PchipInterpolator 而不是 cubic大矩阵插值RegularGridInterpolator 比 griddata 快边界行为三次插值可能在边界产生过冲 最佳实践总结简单一维插值→interp1d(kindlinear)需要平滑曲线→CubicSpline或interp1d(kindcubic)保持单调性→PchipInterpolator有噪声数据→UnivariateSpline(s参数)散乱多点插值→griddata规则网格插值→RegularGridInterpolator如需针对特定应用场景的详细代码请告诉我您的具体需求❤️❤️❤️本人水平有限如有纰漏欢迎各位大佬评论批评指正如果觉得这篇文对你有帮助的话也请给个点赞、收藏下吧非常感谢! Stay Hungry Stay Foolish 道阻且长,行则将至,让我们一起加油吧