Numpy 不规则网格到规则网格的插值

我有一些不规则采样的一维数据（时间序列数据）；i、 例如，非恒定采样率。我想将这些数据转换为定期采样（统一采样率）的时间序列。我曾尝试使用线性插值来实现这一点；然而，当样本之间的时间变化较大时，这不是很有效。这并不奇怪。我还尝试了一些特别的方法，这些方法也不是很有效

我看了几篇关于使用匹配追踪在不规则网格上插值的论文；但是，我不清楚如何使用这种方法在常规网格上获取样本（至少目前还不清楚）

---

如果您对从不规则网格到规则网格（1D数据）的插值算法有任何建议，我将不胜感激。

如果您想精确拟合数据点，请运行 使用

s=0

---

（如果不清楚，请进一步询问）

在使用线性插值时，你到底发现了什么“不是很有效”呢？Jaime，当存在较大的间隙时，线性插值是无效的。应该清楚的是，大间隙的线性模拟将把所有估计（插值）值放在一条直线上——这在实际测量数据中几乎从未发生过。这也可以通过移除随机长度的样本，通过模拟很容易地显示出来。这就是我所说的“不是很有效”的意思。如果您愿意，我可以提供一些参考。注意，我使用了状态空间模型，并应用了连续时间卡尔曼滤波器，然后是RTS平滑器，可用于估计平滑TS。然而，这并不能真正解决我的问题。我不是在试图平滑数据；但是，更确切地说，你可以在一个规则的网格上找到测量信号的估计值。问题是你缺少数据，所以你需要更精确地知道你希望插值（也称为“合成”）值具有什么属性。你愿意让他们坐在抛物线上而不是直线上吗？使用分段二次插值器。在正弦波上？尝试傅立叶方法。随机选择？除非您非常了解真实数据的行为，或者对插值器有精确的要求，例如连续的前两个导数，否则没有正确的答案。Jaime所说的“缺失数据”就是“间隙”。如果你想插值“比线性插值更好”，你需要为你的具体应用指定什么“更好”——这里没有通用的答案，这完全取决于对数据应该是什么样的先验知识。