尝试使用griddata反而:
grid_z1 = griddata(points, values, (grid_x, grid_y), method='linear')
不同之处在于 griddata 期望常规数据作为输入(嗯......,我认为)。这并不是说您应该得到不同的结果,而是您应该能够更快地发现问题。您可以轻松屏蔽“常规网格”数据。
我的第一个猜测是这些输入坐标不是您所期望的(可能与您正在计算的函数具有不同的比例),但如果不进行测试就很难说。
在任何情况下,您似乎都需要一个表面,根据定义,它是一种网格数据,因此使用这个不同的框架应该很容易发现问题。
编辑(对海报的疑问的进一步考虑):
假设您想要某个对象并在其中输入一些数据。完成此操作后,您希望能够使用该数据来估计任何位置。为此,您可以构建一个如下所示的类:
import numpy as np
class Estimation():
def __init__(self,datax,datay,dataz):
self.x = datax
self.y = datay
self.v = dataz
def estimate(self,x,y,using='ISD'):
"""
Estimate point at coordinate x,y based on the input data for this
class.
"""
if using == 'ISD':
return self._isd(x,y)
def _isd(self,x,y):
d = np.sqrt((x-self.x)**2+(y-self.y)**2)
if d.min() > 0:
v = np.sum(self.v*(1/d**2)/np.sum(1/d**2))
return v
else:
return self.v[d.argmin()]
此示例使用反平方距离方法,该方法对于估计非常稳定(如果避免除以零)。它不会很快,但我希望它是可以理解的。从此时起,您可以通过执行以下操作来估计 2D 空间中的任何点:
e = Estimation(datax,datay,dataz)
newZ = e.estimate(30,55) # the 30 and 55 are just example coordinates
如果您要对整个网格执行此操作:
datax,datay = np.random.randint(0,100,10),np.random.randint(0,100,10)
dataz = datax/datay
e = Estimation(datax,datay,dataz)
surf = np.zeros((100,100))
for i in range(100):
for j in range(100):
surf[i,j] = e.estimate(i,j)
您将获得一个可以使用 matplotlib 等工具看到的图像(其中颜色代表表面的高度):
import matplotlib.pyplot as plt
plt.imshow(surf.T,origin='lower',interpolation='nearest')
plt.scatter(datax,datay,c=dataz,s=90)
plt.show()
这个实验的结果是这样的:
如果您不想使用 ISD(平方反比距离),只需在 Estimation 类上实现一个新方法即可。这是你想要的?