Python - 用于巨大数组的插值二维数组答案

【问题标题】：Python - Interpolation 2D array for huge arraysPython - 用于巨大数组的插值二维数组
【发布时间】：2021-10-23 00:00:34
【问题描述】：

我想插入二维数组“测试”，其维度是 4x4（例如，实际上接近 1000x1000），网格形状为 8x8。

import numpy as np

X = np.arange(0,4,1)
Y = np.arange(0,4,1)

points = np.vstack((X,Y))
points = points.T #my coordinates

#my values as a 2D array
test = np.array([[ 1.2514318 ,  1.25145821,  1.25148472,  1.25151133],
       [ 1.25087456,  1.25090105,  1.25092764,  1.25095435],
       [ 1.25031581,  1.25034238,  1.25036907,  1.25039586],
       [ 1.24975557,  1.24978222,  1.24980898,  1.24983587]])

我尝试使用 griddata，但它似乎只适用于 1D 不是吗？正如错误告诉我的那样，我有“不同数量的值和点”我犯了错误吗？

from scipy.interpolate import griddata
grid_x, grid_y = np.mgrid[0:4:8j, 0:4:8j]
grid_z0 = griddata(points, test, (grid_x, grid_y), method='linear')

【问题讨论】：

标签： python arrays numpy interpolation

【解决方案1】：

您可以使用scipy.interpolate.interp2d 和numpy.meshgrid 来做到这一点。

您需要确保新的 X 和 Y 范围与旧的范围相同，只是步长更小。使用np.linspace 很容易：

import numpy as np
from scipy import interpolate

mymin,mymax = 0,3
X = np.linspace(mymin,mymax,4)
Y = np.linspace(mymin,mymax,4)

x,y = np.meshgrid(X,Y)

test = np.array([[ 1.2514318 ,  1.25145821,  1.25148472,  1.25151133],
       [ 1.25087456,  1.25090105,  1.25092764,  1.25095435],
       [ 1.25031581,  1.25034238,  1.25036907,  1.25039586],
       [ 1.24975557,  1.24978222,  1.24980898,  1.24983587]])

f = interpolate.interp2d(x,y,test,kind='cubic')

# use linspace so your new range also goes from 0 to 3, with 8 intervals
Xnew = np.linspace(mymin,mymax,8)
Ynew = np.linspace(mymin,mymax,8)

test8x8 = f(Xnew,Ynew)

print test8x8
>>> [[ 1.2514318   1.25144311  1.25145443  1.25146577  1.25147714  1.25148852  1.25149991  1.25151133]
     [ 1.25119317  1.25120449  1.25121583  1.25122719  1.25123856  1.25124995  1.25126137  1.25127281]
     [ 1.25095426  1.2509656   1.25097695  1.25098832  1.25099971  1.25101112  1.25102255  1.25103401]
     [ 1.25071507  1.25072642  1.25073779  1.25074918  1.25076059  1.25077201  1.25078346  1.25079494]
     [ 1.25047561  1.25048697  1.25049835  1.25050976  1.25052119  1.25053263  1.2505441   1.25055558]
     [ 1.25023587  1.25024724  1.25025864  1.25027007  1.25028151  1.25029297  1.25030446  1.25031595]
     [ 1.24999585  1.25000724  1.25001866  1.2500301   1.25004156  1.25005304  1.25006453  1.25007605]
     [ 1.24975557  1.24976698  1.24977841  1.24978985  1.24980132  1.24981281  1.24982433  1.24983587]]

【讨论】：

行得通！ ;) 但就我而言，似乎存在“要插入的数据点太多”作为错误:(
您的新阵列有多大？也许您可以将其拆分为子数组以执行插值，然后将它们拼接在一起？
您可以通过为x 和y 坐标创建一个开放网格来稍微减少内存开销，即一个(nx, 1) 数组和一个(1, ny)，而不是两个(nx, ny) 数组.例如，x, y = np.meshgrid(X, Y, sparse=True) 或 x, y = np.ix_(X, Y)。
scipy.interpolate.RegularGridInterpolator 不应该更有效地完成这项工作吗？
为什么在这里选择 3 作为mymax？我不确定该选择如何影响最终结果。

【解决方案2】：

使用skimage.transform.resize 是一种方便快捷的方法。它也适用于大型网格网格：

import numpy as np
from skimage.transform import resize

test = np.random.rand(1000,1000)

dim1, dim2 = 8, 8

test_resized = resize(test,(dim1,dim2))

print(test_resized.shape)
>>> (8, 8)

【讨论】：