Python数学建模 空间插值
文章目录
- 基于Python的数学建模
- 空间插值
- 基本概念
- Scipy一维插值
- Scipy多维插值方法
- 反距离权重插值(IDW)
- 克里金插值(Kriging)
基于Python的数学建模
- Github仓库:Mathematical-modeling
空间插值
基本概念
- 定义:空间插值常用于将离散的测量数据转换为连续的数据曲面,以便与其它空间现象的分布模式进行比较,它包括了空间内插和外推两种算法。
- 空间内插算法:通过已知点的数据推求同一区域未知点数据
- 空间外推算法:通过已知区域的数据,推求其它区域数据
- 区别:
- 是处理方法不同、职责不同、工作内容不同
- 内插法在样本数据的范围内预测,比外插法要准。
- 用回归方程预测范围以外的数值称为外插法,而内插法是对数据范围内的点进行预测。
- 插值分类
- 整体插值、局部插值和边界内插法
- 确定性插值和地统计插值
- 精确插值和近似插值
- 插值工具:
scipy.interpolate
模块有一维插值函数(interp1d
)、二位插值函数(interp2d
)、多纬插值函数(interpn
、interpnd
),可以进行使用常见的方法进行插值。例如线性插值,最近邻插值和样条插值。PyKrige
包可以提供各种类型的kriging
插值
Scipy一维插值
- 生成已知数据点集
(x,y)
和需要插值的新数据集xnew
# 生成已知的数据点集 (x,y)
np.random.seed(666)
x = np.linspace(0, 10, 20) # 生成已知数据点x
y = np.cos(x) * 2 + np.sin(x) / 2 # 生成已知数据点y
xnew = np.linspace(0, 10, 50) # 设定需进行插值的数据点集xnew
- 通过不同插值方法,根据给定数据点集
(x,y)
来计算插值函数f(x)f(x)f(x)
f1 = interp1d(x, y, kind="linear") # 线性插值
########################################
f2 = interp1d(x, y, kind="nearest") # 最近临插值,向下取舍
f3 = interp1d(x, y, kind="nearest-up") # 最近临插值,向上取舍
########################################
f4 = interp1d(x, y, kind="zero") # 零阶样条插值
f5 = interp1d(x, y, kind="slinear") # 一次样条插值
f6 = interp1d(x, y, kind="quadratic") # 二次样条插值
f7 = interp1d(x, y, kind="cubic") # 三次样条插值
########################################
f8 = interp1d(x, y, kind="previous") # 前点插值
f9 = interp1d(x, y, kind="next") # 后点插值
- 不同空间插值方法对比
fig, [[ax1,ax2],[ax3,ax4]] = plt.subplots(2,2,figsize=(12,8))
ax1.plot(x,y,'o',label='已知数据点')
ax1.plot(xnew,f1(xnew),'r',label='线性插值')
ax1.legend()ax2.plot(x,y,'o',label='已知数据点')
ax2.plot(xnew,f2(xnew),label='最临近点插值-向下取舍')
ax2.plot(xnew,f3(xnew),label='最临近点插值-向上取舍')
ax2.legend()ax3.plot(x,y,'o',label='已知数据点')
ax3.plot(xnew,f4(xnew),label='零阶样条插值')
ax3.plot(xnew,f5(xnew),label='一次样条插值')
ax3.plot(xnew,f6(xnew),label='二次样条插值')
ax3.plot(xnew,f7(xnew),label='三次样条插值')
ax3.legend()ax4.plot(x,y,'o',label='已知数据点')
ax4.plot(xnew,f8(xnew),label='前点插值')
ax4.plot(xnew,f9(xnew),label='后点插值')
ax4.legend()
Scipy多维插值方法
- 生成已知数据点集
(x,y,z)
和需要插值的新数据集xnew,ynew
def func(x, y):return x*(1-x)*np.cos(4*np.pi*x) * np.sin(4*np.pi*y**2)**2rng = np.random.default_rng() # 随机数生成器
points = rng.random((1000, 2)) # 生成1000个随机点(x,y)
values = func(points[:,0], points[:,1]) # 计算已知随机点的值, z# 生成插值网格
xnew, ynew = np.linspace(0,1,200), np.linspace(0,1,200)
xnew_grid, ynew_grid = np.meshgrid(xnew, ynew)
- 通过不同插值方法,根据给定数据点集
(x,y,z)
来计算插值函数f(x,y)f(x,y)f(x,y)
from scipy.interpolate import griddata
# 使用不同插值方法,由已知数据(x,y,z),计算插值网格的z值
xi = (xnew_grid, ynew_grid)
z1 = griddata(points, values, xi, method="nearest") # 最近邻插值
z2 = griddata(points, values, xi, method="linear") # 线性插值
z3 = griddata(points, values, xi, method="cubic") # 三次样条插值
- 不同空间插值方法对比
fig, [[ax1, ax2], [ax3, ax4]] = plt.subplots(2,2,subplot_kw=dict(projection='3d'),figsize=(12, 10))
# 原始数据
ax1.scatter3D(points[:, 0], points[:, 1], values)
ax1.set_title('原始数据')
# 最近邻插值
ax2.scatter3D(xnew_grid, ynew_grid, z1)
ax2.set_title('最近邻插值')
# 线性插值
ax3.scatter3D(xnew_grid, ynew_grid, z2)
ax3.set_title('线性插值')
# 三次样条插值
ax4.scatter3D(xnew_grid, ynew_grid, z3)
ax4.set_title('三次样条插值')
反距离权重插值(IDW)
- IDW算法的Python实现
def IDW(xnewgrid,ynewgrid,x, y, z, b=2):""":param xnew: 网格化的插值点x:param ynew: 网格化的插值点y:param x: 已知数据点x:param y: 已知数据点y:param z: 已知数据点z:return: 插值结果"""xnewgrid_, ynewgrid_ = xnewgrid.ravel(), ynewgrid.ravel()znew = []# 计算每个插值点的插值结果for i in range(len(xnewgrid_)): # 遍历计算所有离散数据点与该插值点的距离d = np.sqrt((xnewgrid_[i]-x)**2 + (ynewgrid_[i]-y)**2) # 计算两点间的距离if 0 in d:znew.append(z[np.where(d == 0)[0][0]]) # 如果插值点为离散数据点中的一个,则直接返回该点的值else:distance = 1 / (d**b) # 计算距离权重函数, b为距离倒数的幂,常数,一般b越大,内插结果越平滑distance_sum = np.sum(distance)distance_weight = distance / distance_sumznew.append(np.sum(distance_weight * z))znew = np.array(znew)znew = znew.reshape(xnewgrid.shape)return znew
- 生成已知数据点集
(x,y,z)
和需要插值的新数据集xnew,ynew
def func(x, y):return x*(1-x)*np.cos(4*np.pi*x) * np.sin(4*np.pi*y**2)**2x = np.linspace(-10, 10, 20) # 生成已知数据点x
y = np.linspace(-10, 10, 20) # 生成已知数据点y
z = func(x, y) # 生成已知数据点z# 生成插值网格
xnew = np.linspace(-10, 10, 50)
ynew = np.linspace(-10, 10, 50)
xnew_grid, ynew_grid = np.meshgrid(xnew, ynew)
- 计算插值结果
znew = IDW(xnew_grid,ynew_grid,x, y, z, b=2)
fig, [ax1, ax2] = plt.subplots(1,2,subplot_kw=dict(projection='3d'),figsize=(10, 8))
# 原始数据
ax1.scatter3D(x,y,z)
ax1.set_title('原始数据')
# IDW插值
ax2.scatter3D(xnew_grid, ynew_grid, znew)
ax2.set_title('IDW插值')
克里金插值(Kriging)
- 生成已知数据点集
(x,y,z)
和需要插值的新数据集xnew,ynew
def func(x, y):return x*(1-x)*np.cos(4*np.pi*x) * np.sin(4*np.pi*y**2)**2x = np.linspace(-10, 10, 20) # 生成已知数据点x
y = np.linspace(-10, 10, 20) # 生成已知数据点y
z = func(x, y) # 生成已知数据点z# 生成插值网格
xnew = np.linspace(-10, 10, 50)
ynew = np.linspace(-10, 10, 50)
xnew_grid, ynew_grid = np.meshgrid(xnew, ynew)
- 克里金插值(Kriging)插值
from pykrige.ok import OrdinaryKriging
# 创建克里金网格和方差网格
OK = OrdinaryKriging(x, # 已知数据点xy, # 已知数据点yz, # 已知数据点zvariogram_model="linear",
)
znew, ss = OK.execute("grid", xnew, ynew) # 计算插值网格z和方差网格ss
# 绘图
fig, [ax1, ax2] = plt.subplots(1,2,subplot_kw=dict(projection='3d'),figsize=(10, 8))
# 原始数据
ax1.scatter3D(x,y,z)
ax1.set_title('原始数据')
# 克里金插值
ax2.scatter3D(xnew_grid, ynew_grid, znew)
ax2.set_title('克里金插值')
Python数学建模 空间插值相关推荐
- Python数学建模系列(四):数值逼近
文章目录 前言 往期文章 1. 一维插值 1.1 线性插值与样条插值(B-spline) 1.2 高阶样条插值 2. 二维插值 2.1 图像模糊处理--样条插值 2.2 二维插值的三维图 3. 最小 ...
- python可以用来数学建模吗_怎么用Python数学建模:python数据建模工具
怎么用Python数学建模 djcjfhfhhjdvjfhvfghhfgbdthhgdchfjfuivvh DSI方法在几何建模上的应用 本节叙述如何应用DSI方法来与曲面S相联系的二维图形图3.1) ...
- 【Python数学建模】SEIR传染病模型模型延伸-SEIDR模型(一),加入疫苗接种、政府管控、病毒变异等因素的影响
目录 一. SEIR传染病模型 二. SEIR模型的延伸--SEIDR模型 三. 模型延伸--影响因素1:疫苗接种 四. 模型延伸--影响因素2:政府管控 五. 模型延伸--影响因素3:病毒变异 写在 ...
- python数学建模(二)线性规划2.实战(思路清晰\过程完整、详细)
文章目录 (一)简单陈述本文章的内容 (二)线性规划例题(实战) 2.1 实战题目 2.2 符号规定和基本假设 2.3 模型的分析 2.4 模型的建立 2.5 模型一的求解和分析 2.5.1 (代码) ...
- Python数学建模系列(五):微分方程
文章目录 前言 往期文章 1.微分方程分类 2.微分方程解析解 3.微分方程数值解 3.1 场线图与数值解 3.2 洛伦兹曲线与数值解 4.传染病模型 模型一:SI-Model 模型二:SIS mod ...
- python数学建模--绘图动态可视化图表
目录 写在本博客的开篇 关于matplotlib绘图的两种模式 阻塞模式 交互模式 总结 绘制动态图的例子 二维折线图 结果演示 代码 三维折线图 结果演示 代码 三维散点图 结果演示 代码 写在本博 ...
- Python数学建模系列(六):蒙特卡洛算法
文章目录 前言 往期文章 1.蒙特卡洛算法 样例1 样例2 样例3 2.三门问题 3.M*M豆问题 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- ...
- matlab已知飞机下轮廓线,数学建模matlab插值及拟合.ppt
数学建模matlab插值及拟合 2013数学建模培训 插值与拟合 插值与拟合属数值分析中函数逼近内容.在数学建模竞赛中,插值与拟合是一种常用的数据分析手段,被公认为建模中的十大算法之一. 本节首先通过 ...
- 【Python数学建模常用算法代码(二)之BP神经网络】
Python数学建模常用算法代码(二) BP神经网络模型Python代码 import numpy as np import math import random import string impo ...
- Python数学建模系列(八):图论
文章目录 前言 往期文章 1 图论模型 - Dijkstra 样例1 2 图论模型-Floyd 样例2 3 机场航线设计 0.Airlines.csv数据 1.数据导入.观察变量 2.数据清洗 3.时 ...
最新文章
- java并发读取相同的文件_高效读取大文件,再也不用担心 OOM 了!
- 残缺的完美 送给飘
- yield( )函数的使用
- c# WinForm开发 DataGridView控件的各种操作
- ASP.NET MVC编程——控制器
- Substitution控件MethodName无法取到Session的解决办法
- JavaScript算法(实例九)整数的置换 / 求s=a+aa+aaa+aaaa+aa...a的值 / 自守数
- WebService学习总结(三)——使用JDK开发WebService
- 华为百度美团驰援抗击疫情;自由软件基金会建议开源 Windows 7;印度超越美国成第二大智能手机市场 | 极客头条...
- python selenium firefox使用
- iOS HTML5的JS交互
- 百度地图SDK集成定位,卫星地图
- 学会这几点,你会成为一名月薪过万的Java程序员
- Bluefish编辑成果即时预览
- 使用GitLab CI/CD进行自动测试和部署
- 开机时自动启动的AutoHotkey脚本 2019年07月08日19时06分
- ubuntu下回收站无法清空
- 火影忍者之~静音 (优先队列)
- 送礼品的禁忌和注意事项
- 工程职业伦理(2018年秋)学堂在线习题
热门文章
- 安全龙网络安全攻防实验1.2 全新功能正式上线
- 网络信息安全攻防实验室 脚本关第二关
- html语言制作静态网页,html+css制作的漂亮静态网页
- android 读取图片字节流,Android屏幕截图直接读取screencap流来实现
- 不择手段背单词、新东方词根词缀词典、超级新华字典、英语词根词缀记忆大全词典
- 国家多部委发布13份“十四五”规划,115项重大工程​
- wordpress 中 erphpdown 短代码
- ThinkpadX220 windows10 博通bcm94352hmb的蓝牙连接音箱播放声音断断续续的解决方案
- 什么是DOI和PMID
- GET 和 POST 的区别