2D 分散非均匀数据 numpy/scipy 的插值

Question

我有一个如下所示的数据文件：

1.0  2.1  2.4  3.0  3.1  3.2  3.7  3.9  4.2

1.3  1.6  1.8  1.9  2.8  2.9  3.7  3.9  4.0  4.4  4.7  4.9 

1.4  0.4  0.5  1.5  1.8  2.2  2.5  2.8  2.9  3.6

1.8  1.1  1.3  1.9  2.1  2.8  3.7  3.9  4.0  4.2  4.7  4.9  5.2  5.8

2.1  0.2  0.3  1.1  1.4  1.6  1.9 

这里的第一列对应于 x 值（非均匀间隔），对于每个 x 值，该行中的其余数据都是 y 值。我知道每行中 y 值的数量。原始数据文件有 200 行这样的行。对于这些 xs 和 ys 中的每一个，我都有 z(x,y)。现在我想对新网格进行 2D 插值，如下所示：

1.1  1.0  2.2  2.4

1.3  1.1  1.3  2.0  2.2

1.7  1.2  1.5  2.0  2.4

1.9  1.4  1.5  1.8  2.0  2.2  2.4
(40 such rows)

等等。这里和以前一样，第一列是 x (xnew) 值，而行中所有剩余的元素都是 y (ynew) 值，其中没有一个是均匀间隔的。我必须找到 znew(xnew,ynew)。

我分别用Rz和alpha作为xy和z尝试了以下操作：

1. 将z 设置为二维数组，并将所有缺失值设置为nan。使用interpolate.interp2d。就是说，

   No more knots can be added because the number of B-spline coefficients
       already exceeds the number of data points m. Probably causes: either
       s or m too small. (fp>s)
       kx,ky=1,1 nx,ny=128,129 m=16000 fp=nan s=0.000000
   and znew has only 0 or nan as values.
   

2. f1=interpolate.griddata(R,z,alpha,method='linear')

   QH6154 qhull precision error: initial facet 1 is coplanar with the interior
   point
   ERRONEOUS FACET:
   

3. f1=interpolate.RectBivariateSpline(R,z,alpha) 它给出了一个错误。

对此数据执行 2D 插值的最佳方法是什么？

Answer 1

RectBivariateSpline is for uniform grids only，所以你不能使用它。

否则，听起来您可能只是错误地输入了数据——但我们无法判断，因为您没有向我们展示代码的关键部分。对于不规则网格，x, y, z 输入到interp2d 应该具有相同的点数。你的输入是真的吗？ （就在您致电interp2d 之前，打印x.size 等）如果这不能告诉您您做错了什么，请编辑您的问题以显示minimal, complete, and verifiable example。

Answer 2

您对griddata 的调用不正确。语法为griddata(points, values, xi, ...)，其中：

points： ndarray 浮点数，形状 (n, D) 数据点坐标。能 可以是形状 (n, D) 的数组，也可以是 ndim 数组的元组。

values： ndarray 浮点数或复数，形状 (n,) 数据值。

xi： 浮点数组，形状（M，D）插值点 数据。

如果我正确理解了您的描述，那么您尝试插入的函数的格式为 alpha = f(R, z)，这样 R 和 z 指定了对您的 alpha 值进行采样的坐标。 R、z 和 alpha 应该都是相同长度的一维向量。如果这个解释是正确的，那么

• values 参数应为alpha

• points 应该是一个 (n, 2) 数组，由串联在一起的 R 和 z 向量组成。

• 您还需要指定xi，它对应于计算插值的点（即您的“xnew，ynew”值）。这不是和alpha一样的东西！

---

正如@Mike 所提到的，RectBivariateSpline 仅适用于常规网格（interp2d 也是如此），您当然无法通过仅用 NaN 填充缺失值来解决此限制。