从不规则点集开始对3D曲面中的Z值进行插值[关闭]

从不规则点集开始对3D曲面中的Z值进行插值[关闭]

尝试改用griddata：

    grid_z1 = griddata(points, values, (grid_x, grid_y), method='linear')

区别在于griddata希望将常规数据作为输入（嗯，我认为）。并不是说您应该有不同的结果，而是更多，您将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期望的（可能与您正在计算的函数的比例不同），但是如果不进行测试就很难说。

在任何情况下，似乎都需要一个表面，根据定义，该表面是网格数据的一种，因此使用此不同的框架很容易发现问题。

编辑（关于海报问题的进一步考虑）：

假设您想要一些对象，您想要在其中输入一些数据。完成此 *** 作后，您希望能够使用该数据估算任何位置。为此，您可以构建这样的类：

    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()]

本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。从这一点开始，您可以通过执行以下 *** 作来估算2D空间中的任意点：

    e = Estimation(datax,datay,dataz)    newZ = e.estimate(30,55) # the 30 and 55 are just example coordinates

如果要对整个网格执行此 *** 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)

您将使用例如matplotlib（其中颜色代表表面的高度）获得可以看到的图像：

    import matplotlib.pyplot as plt    plt.imshow(surf.T,origin='lower',interpolation='nearest')    plt.scatter(datax,datay,c=dataz,s=90)    plt.show()

该实验的结果是：

如果您不想使用ISD（平方反比），只需在Estimation类上实现一个新方法。这是你想要的？