cupyx.scipy.interpolate.RegularGridInterpolator#

class cupyx.scipy.interpolate.RegularGridInterpolator(points, values, method='linear', bounds_error=True, fill_value=nan)[源代码][源代码]#

在任意维度的规则或矩形网格上的插值。

数据必须在矩形网格上定义；即，具有均匀或不均匀间距的矩形网格。支持线性和最近邻插值。在设置插值器对象后，可以在每次评估时选择插值方法。

参数:

points (tuple of ndarray of float, with shapes (m1, ), ..., (mn, )) – 定义 n 维规则网格的点。每个维度中的点（即 points 元组的每个元素）必须严格递增或递减。
values (ndarray, shape (m1, ..., mn, ...)) – n 维规则网格上的数据。复杂数据也是可以接受的。
method (str, optional) – 要执行的插值方法。支持的方法有“linear”、“nearest”、“slinear”、“cubic”、“quintic”和“pchip”。此参数将成为对象的 __call__ 方法的默认值。默认值为“linear”。
bounds_error (bool, optional) – 如果为 True，当请求的插值值超出输入数据的范围时，会引发 ValueError。如果为 False，则使用 fill_value。默认为 True。
fill_value (float or None, optional) – 用于插值域之外的点的值。如果为 None，则域外的值将被外推。默认值是 cp.nan。

备注

与 scipy 的 LinearNDInterpolator 和 NearestNDInterpolator 相反，此类通过利用规则网格结构来避免对输入数据进行昂贵的三角剖分。

换句话说，这个类假设数据定义在一个规则网格上。

如果输入数据的维度具有不可比拟的单位并且相差多个数量级，插值可能会出现数值伪影。在插值之前考虑重新缩放数据。

示例

在三维网格的点上评估一个函数

作为一个第一个例子，我们在一个3-D网格的点上评估一个简单的示例函数：

>>> from cupyx.scipy.interpolate import RegularGridInterpolator
>>> import cupy as cp
>>> def f(x, y, z):
...     return 2 * x**3 + 3 * y**2 - z
>>> x = cp.linspace(1, 4, 11)
>>> y = cp.linspace(4, 7, 22)
>>> z = cp.linspace(7, 9, 33)
>>> xg, yg ,zg = cp.meshgrid(x, y, z, indexing='ij', sparse=True)
>>> data = f(xg, yg, zg)

data 现在是一个 3-D 数组，其中 data[i, j, k] = f(x[i], y[j], z[k])。接下来，从这些数据定义一个插值函数：

>>> interp = RegularGridInterpolator((x, y, z), data)

在两个点 (x,y,z) = (2.1, 6.2, 8.3) 和 (3.3, 5.2, 7.1) 处评估插值函数：

>>> pts = cp.array([[2.1, 6.2, 8.3],
...                 [3.3, 5.2, 7.1]])
>>> interp(pts)
array([ 125.80469388,  146.30069388])

这确实是一个接近的近似值。

>>> f(2.1, 6.2, 8.3), f(3.3, 5.2, 7.1)
(125.54200000000002, 145.894)

插值和外推二维数据集

作为第二个例子，我们对一个二维数据集进行插值和外推：

>>> x, y = cp.array([-2, 0, 4]), cp.array([-2, 0, 2, 5])
>>> def ff(x, y):
...     return x**2 + y**2

>>> xg, yg = cp.meshgrid(x, y, indexing='ij')
>>> data = ff(xg, yg)
>>> interp = RegularGridInterpolator((x, y), data,
...                                  bounds_error=False, fill_value=None)

>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax = fig.add_subplot(projection='3d')
>>> ax.scatter(xg.ravel().get(), yg.ravel().get(), data.ravel().get(),
...            s=60, c='k', label='data')

在更精细的网格上评估并绘制插值器

>>> xx = cp.linspace(-4, 9, 31)
>>> yy = cp.linspace(-4, 9, 31)
>>> X, Y = cp.meshgrid(xx, yy, indexing='ij')

>>> # interpolator
>>> ax.plot_wireframe(X.get(), Y.get(), interp((X, Y)).get(),
                      rstride=3, cstride=3, alpha=0.4, color='m',
                      label='linear interp')

>>> # ground truth
>>> ax.plot_wireframe(X.get(), Y.get(), ff(X, Y).get(),
                      rstride=3, cstride=3,
...                   alpha=0.4, label='ground truth')
>>> plt.legend()
>>> plt.show()

参见

interpn: 一个封装了 RegularGridInterpolator 的便利函数
scipy.ndimage.map_coordinates: 在等间距网格上的插值（适用于例如 N-D 图像重采样）

引用

[1] 由Johannes Buchner编写的Python包 regulargrid，请参阅: https://pypi.python.org/pypi/regulargrid/
[2] 维基百科, “三线性插值”: https://en.wikipedia.org/wiki/三线性插值
[3] Weiser, Alan, 和 Sergio E. Zarantonello. “关于分段的一个注记”: 多维线性和多线性表插值。” MATH. COMPUT. 50.181 (1988): 189-196. https://www.ams.org/journals/mcom/1988-50-181/S0025-5718-1988-0917826-0/S0025-5718-1988-0917826-0.pdf

方法

__call__(xi, method=None)[源代码][源代码]#

在坐标处进行插值。

参数:

xi (cupy.ndarray of shape (..., ndim)) – 要评估插值器的坐标。
method (str, optional) – 要执行的插值方法。支持的方法有“线性”和“最近邻”。默认是插值器创建时选择的方法。

返回:

values_x – 在 xi 处的插值值。当 xi.ndim == 1 时的行为请参见注释。

返回类型:

cupy.ndarray, shape xi.shape[:-1] + values.shape[ndim:]

备注

在 xi.ndim == 1 的情况下，一个新的轴被插入到返回数组 values_x 的第 0 位置，因此其形状变为 (1,) + values.shape[ndim:]。

示例

这里我们定义了一个简单函数的最近邻插值器

>>> import cupy as cp
>>> x, y = cp.array([0, 1, 2]), cp.array([1, 3, 7])
>>> def f(x, y):
...     return x**2 + y**2
>>> data = f(*cp.meshgrid(x, y, indexing='ij', sparse=True))
>>> from cupyx.scipy.interpolate import RegularGridInterpolator
>>> interp = RegularGridInterpolator((x, y), data, method='nearest')

通过构造，插值器使用最近邻插值

>>> interp([[1.5, 1.3], [0.3, 4.5]])
array([2., 9.])

然而，我们可以通过覆盖 method 参数来评估线性插值

>>> interp([[1.5, 1.3], [0.3, 4.5]], method='linear')
array([ 4.7, 24.3])