scipy.interpolate.

LSQSphereBivariateSpline

class scipy.interpolate.LSQSphereBivariateSpline(theta, phi, r, tt, tp, w=None, eps=1e-16)

球面座標中的加權最小平方法雙變數樣條近似。

根據給定在 theta 和 phi 方向上的節點集合，決定一個平滑的雙三次樣條。

在版本 0.11.0 中新增。

參數:

theta, phi, rarray_like

資料點的 1-D 序列（順序不重要）。座標必須以弧度表示。Theta 必須位於區間 [0, pi] 內，phi 必須位於區間 [0, 2pi] 內。

tt, tparray_like

嚴格排序的 1-D 節點座標序列。座標必須滿足 0 < tt[i] < pi，0 < tp[i] < 2*pi。

warray_like，選用

正值的 1-D 權重序列，與 theta、phi 和 r 的長度相同。

epsfloat，選用

用於決定過度決定的線性方程式系統的有效秩的閾值。eps 的值應在開區間 (0, 1) 內，預設值為 1e-16。

另請參閱

BivariateSpline

雙變數樣條的基底類別。

UnivariateSpline

用於擬合給定資料點集合的平滑單變數樣條。

SmoothBivariateSpline

通過給定點的平滑雙變數樣條

LSQBivariateSpline

使用加權最小平方法擬合的雙變數樣條

RectSphereBivariateSpline

球面上矩形網格上的雙變數樣條

SmoothSphereBivariateSpline

球面座標中的平滑雙變數樣條

RectBivariateSpline

矩形網格上的雙變數樣條。

bisplrep

用於尋找曲面的雙變數 B-樣條表示的函數

bisplev

用於評估雙變數 B-樣條及其導數的函數

註解

更多資訊，請參閱關於此函數的 FITPACK 網站。

範例

在您的瀏覽器中試試看！

假設我們有一個粗略網格上的全球資料（輸入資料不必在網格上）

>>> from scipy.interpolate import LSQSphereBivariateSpline
>>> import numpy as np
>>> import matplotlib.pyplot as plt

>>> theta = np.linspace(0, np.pi, num=7)
>>> phi = np.linspace(0, 2*np.pi, num=9)
>>> data = np.empty((theta.shape[0], phi.shape[0]))
>>> data[:,0], data[0,:], data[-1,:] = 0., 0., 0.
>>> data[1:-1,1], data[1:-1,-1] = 1., 1.
>>> data[1,1:-1], data[-2,1:-1] = 1., 1.
>>> data[2:-2,2], data[2:-2,-2] = 2., 2.
>>> data[2,2:-2], data[-3,2:-2] = 2., 2.
>>> data[3,3:-2] = 3.
>>> data = np.roll(data, 4, 1)

我們需要設定內插器物件。在這裡，我們還必須指定要使用的節點座標。

>>> lats, lons = np.meshgrid(theta, phi)
>>> knotst, knotsp = theta.copy(), phi.copy()
>>> knotst[0] += .0001
>>> knotst[-1] -= .0001
>>> knotsp[0] += .0001
>>> knotsp[-1] -= .0001
>>> lut = LSQSphereBivariateSpline(lats.ravel(), lons.ravel(),
...                                data.T.ravel(), knotst, knotsp)

作為第一個測試，我們將看看當在輸入座標上執行時，演算法返回什麼

>>> data_orig = lut(theta, phi)

最後，我們將資料內插到更精細的網格

>>> fine_lats = np.linspace(0., np.pi, 70)
>>> fine_lons = np.linspace(0., 2*np.pi, 90)
>>> data_lsq = lut(fine_lats, fine_lons)

>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(131)
>>> ax1.imshow(data, interpolation='nearest')
>>> ax2 = fig.add_subplot(132)
>>> ax2.imshow(data_orig, interpolation='nearest')
>>> ax3 = fig.add_subplot(133)
>>> ax3.imshow(data_lsq, interpolation='nearest')
>>> plt.show()

返回在新分頁中開啟

方法

__call__(theta, phi[, dtheta, dphi, grid])	在給定位置評估樣條或其導數。
ev(theta, phi[, dtheta, dphi])	在點上評估樣條
get_coeffs()	傳回樣條係數。
get_knots()	傳回一個元組 (tx,ty)，其中 tx,ty 分別包含樣條關於 x-、y-變數的節點位置。
get_residual()	傳回樣條近似的平方殘差的加權和：sum ((w[i]*(z[i]-s(x[i],y[i])))**2,axis=0)
partial_derivative(dx, dy)	建構一個新的樣條，表示此樣條的偏導數。