python时间序列进行线性插值_精解Python实现线性插值法—

（转载作者请注明出处）

废话不多说，直接上货....

在算法分析过程中，我们经常会遇到数据需要处理插值的过程，为了方便理解，我们这里给出相关概念和源程序，希望能帮助到您!

案例一：

已知坐标 (x0, y0) 与 (x1, y1)，要求得区间 [x0, x1] 内某一点位置 x 在直线上的y值。两点间直线方程，我们有

那么，如何实现它呢？

依据数值分析，我们可以发现存在递归情况

import matplotlib.pyplot as plt

"""

详细描述;

1）计算n阶差商 f[x0, x1, x2 ... xn]

2） xi 所有插值节点的横坐标集合 o

3） fi 所有插值节点的纵坐标集合 / \

4）返回xi的i阶差商(i为xi长度减1) o o

5） a. 必须确保xi与fi长度相等 / \ / \

b. 由于用到了递归，所以留意不要爆栈了. o o o o

c. 递归减递归(每层递归包含两个递归函数), 每层递归次数呈二次幂增长，总次数是一个满二叉树的所有节点数量(所以极易栈溢出)

"""

def get_order_diff_quot(xi = [], fi = []):

if len(xi) > 2 and len(fi) > 2:

return (get_order_diff_quot(xi[:len(xi) - 1], fi[:len(fi) - 1]) - get_order_diff_quot(xi[1:len(xi)], fi[1:len(fi)])) / float(xi[0] - xi[-1])

return (fi[0] - fi[1]) / float(xi[0] - xi[1])

"""

6）获得Wi(x)函数;

Wi的含义举例 W1 = (x - x0); W2 = (x - x0)(x - x1); W3 = (x - x0)(x - x1)(x - x2)

7） i i阶(i次多项式)

8） xi 所有插值节点的横坐标集合

9）返回Wi(x)函数

"""

def get_Wi(i = 0, xi = []):

def Wi(x):

result = 1.0

for each in range(i):

result *= (x - xi[each])

return result

return Wi

"""

获得牛顿插值函数

"""

def get_Newton_inter(xi = [], fi = []):

def Newton_inter(x):

result = fi[0]

for i in range(2, len(xi)):

result += (get_order_diff_quot(xi[:i], fi[:i]) * get_Wi(i-1, xi)(x))

return result

return Newton_inter

"""

demo:

"""

if __name__ == '__main__':

''' 插值节点, 这里用二次函数生成插值节点，每两个节点x轴距离位10 '''

sr_x = [i for i in range(-50, 51, 10)]

sr_fx = [i**2 for i in sr_x]

Nx = get_Newton_inter(sr_x, sr_fx) # 获得插值函数

tmp_x = [i for i in range(-50, 51)] # 测试用例

tmp_y = [Nx(i) for i in tmp_x] # 根据插值函数获得测试用例的纵坐标

''' 画图 '''

plt.figure("I love china")

ax1 = plt.subplot(111)

plt.sca(ax1)

plt.plot(sr_x, sr_fx, linestyle = '', marker='o', color='b')

plt.plot(tmp_x, tmp_y, linestyle = '--', color='r')

plt.show()

执行结果;

image.png

此外，我们也可以对一维线性插值使用指定得库：numpy.interp

numpy.interp（x，xp，fp，left = None，right = None，period = None ）

将一维分段线性插值返回给具有给定离散数据点（xp，fp）的函数，该函数在x处求值

参数说明：

x ：类似数组

评估插值的x坐标

xp ：一维浮点数序列

如果未指定参数周期，则数据点的x坐标必须增加 . 否则，在用归一化周期边界之后对xp进行内部排序,xp = xp % period.

fp ：一维浮点数或复数序列

数据点的y坐标，与xp的长度相同。

left ：对应于fp的可选float或complex

right ：对应于fp的可选float或complex

x> xp [-1]的返回值，默认值为fp [-1]。

period ：无或浮动，可选

X坐标的句点,此参数允许对x坐标进行适当的插值。如果指定了period，则忽略参数left和right。

Returns：

y ：浮点型或复数（对应于fp）或ndarray

内插值，形状与x相同。

Raises：

ValueError

If xp and fp have different length If xp or fp are not 1-D sequences If period == 0

检查: 如果xp没有增加，则结果是无意义的。

案例二：

另一方面：线性插值是一种使用线性多项式进行曲线拟合的方法，可以在一组离散的已知数据点范围内构造新的数据点。

实际上，这可能意味着您可以推断已知位置点之间的新的估计位置点，以创建更高频率的数据或填写缺失值。

以最简单的形式，可视化以下图像：

image.png

在此，已知数据点在位置（1,1）和（3,3）处为红色。使用线性迭代，我们可以在它们之间添加一个点，该点可以显示为蓝色。

这是一个非常简单的问题，如果我们拥有更多已知的数据点，并且想要特定频率的插值点又该怎么办呢？

这可以使用numpy包中的两个函数在Python中非常简单地实现:

#Let's create ten x and y values that follow a sine curve

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(0, 2*np.pi, 10)

y = np.sin(x)

plt.plot(x, y, 'o')

plt.show()

image

我们有十个已知点，但是假设我们要一个50个序列。

我们可以使用np.linspace做到这一点；序列的起点，序列的终点以及我们想要的数据点总数

起点和终点将与您的初始x值的起点和终点相同，因此在此我们指定0和2 * pi。我们还指定了对序列中50个数据点的请求

xvals = np.linspace（0，2 * np.pi，50）

现在，进行线性插值！使用np.interp，我们传递所需数据点的列表（我们在上面创建的50个），然后传递原始的x和y值

yinterp = np.interp（xvals，x，y）

现在，让我们绘制原始值，然后覆盖新的内插值！

plt.plot（x，y，'o'）

plt.plot（xvals，yinterp，'-x'）

plt.show（）

image.png

案例三：

您还可以将此逻辑应用于时间序列中的x和y坐标。在这里，您将根据时间对x值进行插值，然后针对时间对y值进行插值。如果您想在时间序列中使用更频繁的数据点（例如，您想在视频帧上叠加一些数据），或者缺少数据点或时间戳不一致，这将特别有用。

让我们为一个场景创建一些数据，在该场景中，在60秒的比赛时间里，一辆赛车仅发出十个位置（x＆y）输出（在整个60秒的时间内，时间也不一致）：

import numpy as np

import matplotlib.pyplot as plt

timestamp = (0,5,10,15,30,35,40,50,55,60)

x_coords = (0,10,12,13,19,13,12,19,21,25)

y_coords = (0,5,10,7,2,8,15,19,14,15)

#Now, let's create the start time for the race, the end time, and the duration - we'll need these values for the linear interpolation

start_timestamp = min(timestamp)

end_timestamp = max(timestamp)

duration_seconds = (end_timestamp - start_timestamp)

#Apply the spacing, and the the interpolation independently for the x values and the y values

new_intervals = np.linspace(start_timestamp, end_timestamp, duration_seconds)

new_x_coords = np.interp(new_intervals, timestamp, x_coords)

new_y_coords = np.interp(new_intervals, timestamp, y_coords)

#Let's have a look at the interpolated positional values that we now have:

plt.plot(x_coords, y_coords, 'o')

plt.plot(new_x_coords, new_y_coords, '-x')

plt.show()

参考文献

https://www.jianshu.com/p/dd3c74515aa2https://www.jianshu.com/p/48b48e6b67cdhttps://docs.scipy.org/doc/scipy-1.0.0/reference/tutorial/interpolate.htmlhttps://www.cnblogs.com/tensory/p/6590779.htmlhttps://jingyan.baidu.com/article/6f2f55a16aba04b5b93e6cca.html

python时间序列进行线性插值_精解Python实现线性插值法——一看就会相关推荐

python变量定义大全_详解python变量与数据类型
这篇文章我们学习 Python 变量与数据类型变量变量来源于数学,是计算机语言中能储存计算结果或能表示值抽象概念,变量可以通过变量名访问.在 Python 中变量命名规定,必须是大小写英文,数字 ...
python提取邮件附件_详解python实现读取邮件数据并下载附件的实例
详解python实现读取邮件数据并下载附件的实例实现结果图: 实现代码: #!/usr/bin/python2.7 # _*_ coding: utf-8 _*_ """ ...
python停止线程池_详解python中Threadpool线程池任务终止示例代码
需求加入我们需要处理一串个位数(0~9),奇数时需要循环打印它:偶数则等待对应时长并完成所有任务:0则是错误,但不需要终止任务,可以自定义一些处理. 关键点定义func函数处理需求 callbac ...
python模块搜索原则_详解python模块路径查找规则及定义
在python中创建一个模块非常简单,只需要在当前目录下创建一个 .py文件即可,系统自动将其解析成模块,文件名就是模块名.很多我们源码时代的同学都认为在查找模块时优先使用当前目录下的自定义模块.其实 ...
python中index函数_详解python中的index函数用法
1.函数的创建 def fun(): #定义 print('hellow') #函数的执行代码 retrun 1 #返回值 fun() #执行函数 2.函数的参数普通参数 :要按照顺序输入参数 de ...
python提取hbase数据_详解python操作hbase数据的方法介绍
配置 thrift python使用的包 thrift 个人使用的python 编译器是pycharm community edition. 在工程中设置中,找到project interpreter ...
python多线程操作列表_详解Python多线程下的list
list 是 Python 常用的几个基本数据类型之一.正常情况下我们会对 list 有增删改查的操作,显然易见不会有任何问题.那么如果我们试着在多线程下操作list 会有问题吗? 多线程下的 lis ...
python装饰器由浅入深_详解Python装饰器由浅入深
装饰器的功能在很多语言中都有,名字也不尽相同,其实它体现的是一种设计模式,强调的是开放封闭原则,更多的用于后期功能升级而不是编写新的代码.装饰器不光能装饰函数,也能装饰其他的对象,比如类,但通常,我们 ...
python repair修复功能_详解Python修复遥感影像条带的两种方式
GDAL修复Landsat ETM+影像条带 Landsat7 ETM+卫星影像由于卫星传感器故障,导致此后获取的影像出现了条带.如下图所示, 影像中均匀的布满条带. 使用GDAL修复影像条带的代码如 ...
python导入模块介绍_详解Python模块导入方法
python常被昵称为胶水语言,它能很轻松的把用其他语言制作的各种模块(尤其是C/C++)轻松联结在一起.python包含子目录中的模块方法比较简单,关键是能够在sys.path里面找到通向模块文件的 ...

python时间序列进行线性插值_精解Python实现线性插值法——一看就会

python时间序列进行线性插值_精解Python实现线性插值法——一看就会相关推荐

最新文章

热门文章