python线性插值

2024-03-20 02:28
文章标签 python 线性插值

本文主要是介绍python线性插值,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

假设有一个一维数组,但是此数组中只有部分位置上有值,其它位置数据缺失,现在想用线性插值的方法将其填充。

示例代码:

import numpy as np# 假设你有一个长度为171的数组,名为full_data,其中有13个数据点
# 用 None 表示缺失的数据点
full_data = [None] * 171# 假设你已经有了13个数据点的索引和值
known_indices = [11, 21, 31, 41, 51, 61, 71, 81, 91, 101, 121, 141, 161]
known_values = [0.207, 0.217, 0.184, 0.177, 0.162, 0.312,0.253, 0.317, 0.333, 0.336, 0.352, 0.288, 0.295]# 使用 NumPy 的interp函数进行线性插值
# 注意:interp函数要求已知数据点的索引必须是单调递增的
# 这里假设已知索引是单调递增的
full_indices = np.arange(len(full_data))
full_data = np.interp(full_indices, known_indices, known_values)# 打印结果
print(full_data)

结果展示:

[0.207   0.207   0.207   0.207   0.207   0.207   0.207   0.207   0.2070.207   0.207   0.207   0.208   0.209   0.21    0.211   0.212   0.2130.214   0.215   0.216   0.217   0.2137  0.2104  0.2071  0.2038  0.20050.1972  0.1939  0.1906  0.1873  0.184   0.1833  0.1826  0.1819  0.18120.1805  0.1798  0.1791  0.1784  0.1777  0.177   0.1755  0.174   0.17250.171   0.1695  0.168   0.1665  0.165   0.1635  0.162   0.177   0.1920.207   0.222   0.237   0.252   0.267   0.282   0.297   0.312   0.30610.3002  0.2943  0.2884  0.2825  0.2766  0.2707  0.2648  0.2589  0.2530.2594  0.2658  0.2722  0.2786  0.285   0.2914  0.2978  0.3042  0.31060.317   0.3186  0.3202  0.3218  0.3234  0.325   0.3266  0.3282  0.32980.3314  0.333   0.3333  0.3336  0.3339  0.3342  0.3345  0.3348  0.33510.3354  0.3357  0.336   0.3368  0.3376  0.3384  0.3392  0.34    0.34080.3416  0.3424  0.3432  0.344   0.3448  0.3456  0.3464  0.3472  0.3480.3488  0.3496  0.3504  0.3512  0.352   0.3488  0.3456  0.3424  0.33920.336   0.3328  0.3296  0.3264  0.3232  0.32    0.3168  0.3136  0.31040.3072  0.304   0.3008  0.2976  0.2944  0.2912  0.288   0.28835 0.28870.28905 0.2894  0.28975 0.2901  0.29045 0.2908  0.29115 0.2915  0.291850.2922  0.29255 0.2929  0.29325 0.2936  0.29395 0.2943  0.29465 0.2950.295   0.295   0.295   0.295   0.295   0.295   0.295   0.295   0.295  ]

线性插值绘图代码:

import matplotlib.pyplot as plt
import numpy as np# 数据
x = [11, 21, 31, 41, 51, 61, 71, 81, 91, 101, 121, 141, 161]
y = [0.207, 0.217, 0.184, 0.177, 0.162, 0.312,0.253, 0.317, 0.333, 0.336, 0.352, 0.288, 0.295]
x1 = np.arange(0, 171)
y1 = [0.207, 0.207, 0.207, 0.207, 0.207, 0.207, 0.207, 0.207, 0.207,0.207, 0.207, 0.207, 0.208, 0.209, 0.21, 0.211, 0.212, 0.213,0.214, 0.215, 0.216, 0.217, 0.2137, 0.2104, 0.2071, 0.2038, 0.2005,0.1972, 0.1939, 0.1906, 0.1873, 0.184, 0.1833, 0.1826, 0.1819, 0.1812,0.1805, 0.1798, 0.1791, 0.1784, 0.1777, 0.177, 0.1755, 0.174, 0.1725,0.171, 0.1695, 0.168, 0.1665, 0.165, 0.1635, 0.162, 0.177, 0.192,0.207, 0.222, 0.237, 0.252, 0.267, 0.282, 0.297, 0.312, 0.3061,0.3002, 0.2943, 0.2884, 0.2825, 0.2766, 0.2707, 0.2648, 0.2589, 0.253,0.2594, 0.2658, 0.2722, 0.2786, 0.285, 0.2914, 0.2978, 0.3042, 0.3106,0.317, 0.3186, 0.3202, 0.3218, 0.3234, 0.325, 0.3266, 0.3282, 0.3298,0.3314, 0.333, 0.3333, 0.3336, 0.3339, 0.3342, 0.3345, 0.3348, 0.3351,0.3354, 0.3357, 0.336, 0.3368, 0.3376, 0.3384, 0.3392, 0.34, 0.3408,0.3416, 0.3424, 0.3432, 0.344, 0.3448, 0.3456, 0.3464, 0.3472, 0.348,0.3488, 0.3496, 0.3504, 0.3512, 0.352, 0.3488, 0.3456, 0.3424, 0.3392,0.336, 0.3328, 0.3296, 0.3264, 0.3232, 0.32, 0.3168, 0.3136, 0.3104,0.3072, 0.304, 0.3008, 0.2976, 0.2944, 0.2912, 0.288, 0.28835, 0.2887,0.28905, 0.2894, 0.28975, 0.2901, 0.29045, 0.2908, 0.29115, 0.2915, 0.29185,0.2922, 0.29255, 0.2929, 0.29325, 0.2936, 0.29395, 0.2943, 0.29465, 0.295,0.295, 0.295, 0.295, 0.295, 0.295, 0.295, 0.295, 0.295, 0.295]# 绘制折线图
plt.scatter(x, y, color='red', label='pre-interpolation')
plt.plot(x, y, color='pink')
# dashes设置虚线与虚线之间的间隔
plt.plot(x1, y1, alpha=1, linestyle='--',color='blue', dashes=(10, 10), label='post-interpolation')# 添加标题和标签
plt.xlabel('X-axis')
plt.ylabel('Y-axis')plt.legend()# 显示图形
plt.show()

结果展示:
在这里插入图片描述
从图片可以看出,线性插值即是将两点连成直线,插值的数据即是直线上的数据。

这篇关于python线性插值的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/828001

相关文章

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python ZIP文件操作技巧详解

《PythonZIP文件操作技巧详解》在数据处理和系统开发中,ZIP文件操作是开发者必须掌握的核心技能,Python标准库提供的zipfile模块以简洁的API和跨平台特性,成为处理ZIP文件的首选... 目录一、ZIP文件操作基础三板斧1.1 创建压缩包1.2 解压操作1.3 文件遍历与信息获取二、进阶技

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python中的getopt模块用法小结

《Python中的getopt模块用法小结》getopt.getopt()函数是Python中用于解析命令行参数的标准库函数,该函数可以从命令行中提取选项和参数,并对它们进行处理,本文详细介绍了Pyt... 目录getopt模块介绍getopt.getopt函数的介绍getopt模块的常用用法getopt模

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.