python插值方法,python 插值函数库
大家好，本文主要讲用Python实现插值算法。有兴趣的同学过来看看，如果对你有帮助记得收藏。
在数学模型竞赛中，往往需要对数据进行处理和分析，但有时数据并不多，需要用一些方法“模拟”出一些可靠的数值来满足需求，这就是插值的作用。本文不再详细介绍各种插值算法的内部原理，直接通过分组交换实现。
现在，我们穿上三件套，看看原始数据的大致情况：
将numpy作为np导入
进口熊猫作为pd
将matplotlib.pyplot作为plt导入
data=pd.read_excel(data.xlsx )
拉格朗日插值算法
原始数据我们采取sin(x)的形式。看一看原始数据点：
导入副本
从scipy.interpolate导入拉格朗日
X=np.linspace(0，10，6) #0~10等差插入11个数，要预测的值。
y=np.sin(x)
X_new=np.linspace(0，10，200) #用于绘制图形。
y_new=np.sin(x_new)
plt.plot(x，y， ro )
plt.plot(x_new，y_new， b )
f1=拉格朗日(x，y)
plt.plot(x，y， ro )
plt.plot(x_new，y_new， b )
plt.plot(x_new，f1(x_new)， g )
看一下试衣效果：
分段线性插值
F4=scipy . interpolate . interp1d(x，y，kind=linear )
plt.plot(x，y， ro )
plt.plot(x_new，y_new， b )
plt.plot(x_new，f4(x_new)， g )
分段二次（三次）插值
F5=scipy . interpolate . interp1d(x，y，kind= quadratic) #三次是立方。
plt.plot(x，y， ro )
plt.plot(x_new，y_new， b )
plt.plot(x_new，f5(x_new)， g )
牛顿插值法：暂未找到相应的库
分段三次埃尔米特插值
F5=scipy . interpolate . interp1d(x，y，kind= quadratic) #三次是立方。
plt.plot(x，y， ro )
plt.plot(x_new，y_new， b )
plt.plot(x_new，f5(x_new)， g )
三次样条插值
F3=scipy . interpolate . cubic spline(x，y)
plt.plot(x，y， ro )
plt.plot(x_new，y_new， b )
plt.plot(x_new，f3(x_new)， g )
接下来，我们来看一个具体例子的对比：
y=np.array(data)[:1]
x=np.linspace(2009，2018，10)
x_new=np.array([2019，2020，2021])
F2=scipy . interpolate . pchipinterpolator(x，y)
F3=scipy . interpolate . cubic spline(x，y)
#编码：utf-8
PLT . RC params[ font . sans-serif ]=[ sim hei ]#用于正常显示中文标签。
PLT . RC params[ axes . unicode _ MINUS ]=false #用于正常显示负号。
Plt.plot (x，y，color=黑色，marker= o ，label=样本点)
Plt。Plot (x _ new，F2 (x _ new)， b-，marker= x ，label= segmented emilt three times )
Plt.plot (x _ new，F3 (x _ new)， r-，marker= x ，label=三次样条插值)
PLT。X刻度(范围(2009，2022，1)) #调整X轴间距
plt .图例()
plt.show()
温馨提示：最常用的方法是Hermite三次插值和三次样条插值。
拉格朗日插值虽然在训练集中表现不错，但是在测试集中确实很尴尬，尤其是拟合高阶函数的时候，不要轻易用这个预测。
这就是这篇关于用Python实现插值算法的文章。关于Python插值算法的更多信息，请搜索热门IT软件开发工作室之前的文章或者继续浏览下面的相关文章。希望大家以后多多支持热门IT软件开发工作室！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。