Numpy 在二维阵列中使用interp1d的更快方法
结果是正确的。但在我的实际问题中,数据太大,所以我想直接应用插值,而不使用 循环。任何想法都将不胜感激Numpy 在二维阵列中使用interp1d的更快方法,numpy,scipy,Numpy,Scipy,结果是正确的。但在我的实际问题中,数据太大,所以我想直接应用插值,而不使用 循环。任何想法都将不胜感激 import numpy as np from scipy.interpolate import interp1d data = np.array([[99,0,3,4,5], [6,7,0,9,10], [11,22,0,14,15]],dtype=np.float32) data[data==0] = np.nan def
import numpy as np
from scipy.interpolate import interp1d
data = np.array([[99,0,3,4,5],
[6,7,0,9,10],
[11,22,0,14,15]],dtype=np.float32)
data[data==0] = np.nan
def gap_fill(y):
not_nan = ~np.isnan(y)
x = np.arange(len(y))
interp = interp1d(x[not_nan], y[not_nan], kind='linear')
ynew = interp(x)
return ynew
results = []
for d in data:
gapfilled = gap_fill(d)
results.append(gapfilled)
print results
[array([ 99., 51., 3., 4., 5.]), array([ 6., 7., 8., 9., 10.]), array([ 11., 22., 18., 14., 15.])]
一时冲动,我想到的是:
In [8]: gap_fill(data.flatten()).reshape(data.shape)
Out[8]:
array([[ 99., 51., 3., 4., 5.],
[ 6., 7., 8., 9., 10.],
[ 11., 22., 18., 14., 15.]])
这适用于您的示例,因为所有的nan
都位于行的内部。但是,对于行末端的元素,这会将外推转化为跨行的插值,这可能是您不希望的
严格地说,线性插值就是在两点之间寻找值,
(1-a)*x1+a*x2
,其中0实际问题中数据的大小是多少?当你有一个浮点数组时,你不想检查精确的零。此外,您还可以对间隙填充进行numpy矢量化。将数据重塑为1d,并使用多个间隙进行1d插值。@JohnZwinck it is(50000,50000)。@hpaulj应为每行约束线性模型。
slope = (y_hi - y_lo) / (x_hi - x_lo)[:, None]
y_new = slope*(x_new - x_lo)[:, None] + y_lo