本文章向大家介绍Python numpy.interp实例讲解，主要分析其语法、参数、返回值和注意事项，并结合实例形式分析了其使用技巧，希望通过本文能帮助到大家理解应用这部分内容。
用法:
numpy.interp(x, xp, fp, left=None, right=None, period=None)
单调增加样本点的一维线性插值。
将一维分段线性插值返回给具有给定离散数据点的函数 (经验,fp)，评估为x.
参数：
返回：
抛出：
x： array_like
计算插值的 x 坐标。
xp： 一维浮点序列
数据点的 x 坐标，如果参数必须增加时期未指定。否则，经验在用标准化周期性边界后进行内部排序xp = xp % period.
fp： 浮点数或复数的一维序列
数据点的 y 坐标，长度与 xp 相同。
left： 对应于 fp 的可选浮点数或复数
x < xp[0] 的返回值，默认为 fp[0]。
right： 对应于 fp 的可选浮点数或复数
x > xp[-1] 的返回值，默认为 fp[-1]。
period： 无或浮点数，可选
x 坐标的句点。此参数允许正确插值角度 x 坐标。如果指定了 period，则忽略参数 left 和 right。
y： float 或 complex(对应于 fp)或 ndarray
插值，与 x 的形状相同。
ValueError
如果 xp 和 fp 的长度不同 如果 xp 或 fp 不是一维序列 如果 period == 0
警告
x 坐标序列预计会增加，但这没有明确强制执行。但是，如果序列 xp 不增加，则插值结果是没有意义的。
请注意，由于 NaN 是不可排序的，经验也不能包含 NaN。
xp 严格增加的简单检查是：
np.all(np.diff(xp) > 0)
例子：
>>> xp = [1, 2, 3] >>> fp = [3, 2, 0] >>> np.interp(2.5, xp, fp) 1.0 >>> np.interp([0, 1, 1.5, 2.72, 3.14], xp, fp) array([3. , 3. , 2.5 , 0.56, 0. ]) >>> UNDEF = -99.0 >>> np.interp(3.14, xp, fp, right=UNDEF) -99.0
绘制正弦函数的插值：
import numpy as np x = np.linspace(0, 2*np.pi, 10) y = np.sin(x) xvals = np.linspace(0, 2*np.pi, 50) # 增加 范围外的x 值 xvals=np.append(xvals,(6.5,8.0)) yinterp = np.interp(xvals, x, y) #xvals代表要生成点的横坐标，x代表原来区间的横坐标，y代表原来区间值得纵坐标。 import matplotlib.pyplot as plt plt.plot(x, y, 'o') #蓝色的点 plt.plot(xvals, yinterp, '-x') #黄色的区域 plt.show() print(x) # print()
使用周期性 x 坐标进行插值：
>>> x = [-180, -170, -185, 185, -10, -5, 0, 365] >>> xp = [190, -190, 350, -350] >>> fp = [5, 10, 3, 4] >>> np.interp(x, xp, fp, period=360) array([7.5 , 5. , 8.75, 6.25, 3. , 3.25, 3.5 , 3.75])
复杂插值：
>>> x = [1.5, 4.0] >>> xp = [2,3,5] >>> fp = [1.0j, 0, 2+3j] >>> np.interp(x, xp, fp) array([0.+1.j , 1.+1.5j])
到此这篇关于Python numpy.interp的实例详解的文章就介绍到这了,更多相关Python numpy.interp内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！