scipy.interpolate.

SmoothSphereBivariateSpline

class scipy.interpolate.SmoothSphereBivariateSpline(theta, phi, r, w=None, s=0.0, eps=1e-16)

球坐標中的平滑雙變數樣條近似。

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）。坐標必須以弧度表示。Theta 必須位於區間 [0, pi] 內，而 phi 必須位於區間 [0, 2pi] 內。

warray_like，選用

權重的正值 1-D 序列。

sfloat，選用

為估計條件定義的正值平滑因子：sum((w(i)*(r(i) - s(theta(i), phi(i))))**2, axis=0) <= s 預設值 s=len(w)，如果 1/w[i] 是 r[i] 標準差的估計值，則應該是一個好的值。

epsfloat，選用

用於確定超定線性方程式系統有效秩的閾值。eps 應在開區間 (0, 1) 內取值，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

使用加權最小平方擬合的雙變數樣條

RectSphereBivariateSpline

球體上矩形網格上的雙變數樣條

LSQSphereBivariateSpline

在球坐標中使用加權最小平方擬合的雙變數樣條

RectBivariateSpline

矩形網格上的雙變數樣條。

bisplrep

用於尋找曲面的雙變數 B 樣條表示的函式

bisplev

用於評估雙變數 B 樣條及其導數的函式

Notes

如需更多資訊，請參閱關於此函式的 FITPACK 網站。

範例

在您的瀏覽器中試試看！

假設我們在粗略網格上具有全域資料（輸入資料不必在網格上）

>>> import numpy as np
>>> theta = np.linspace(0., np.pi, 7)
>>> phi = np.linspace(0., 2*np.pi, 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

>>> lats, lons = np.meshgrid(theta, phi)
>>> from scipy.interpolate import SmoothSphereBivariateSpline
>>> lut = SmoothSphereBivariateSpline(lats.ravel(), lons.ravel(),
...                                   data.T.ravel(), s=3.5)

作為第一個測試，我們將看看演算法在輸入坐標上執行時返回什麼

>>> 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_smth = lut(fine_lats, fine_lons)

>>> import matplotlib.pyplot as plt
>>> 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_smth, 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總和：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。