插值缺失值2d python

插值缺失值2d python

是的，您可以使用

scipy.interpolate.griddata

和屏蔽数组，还可以选择使用参数的插值类型，

method

通常

'cubic'

可以很好地完成工作：

import numpy as npfrom scipy import interpolate#Let's create some random  dataarray = np.random.random_integers(0,10,(10,10)).astype(float)#values grater then 7 goes to np.nanarray[array>7] = np.nan

看起来像这样

plt.imshow(array,interpolation='nearest')

：

x = np.arange(0, array.shape[1])y = np.arange(0, array.shape[0])#mask invalid valuesarray = np.ma.masked_invalid(array)xx, yy = np.meshgrid(x, y)#get only the valid valuesx1 = xx[~array.mask]y1 = yy[~array.mask]newarr = array[~array.mask]GD1 = interpolate.griddata((x1, y1), newarr.ravel(),    (xx, yy),       method='cubic')

这是最终结果：

请注意，如果nan值在边缘且被nan值包围，则无法对thay进行插值并将其保留

nan

。您可以使用

fill_value

参数进行更改。

如果存在NaN值的3x3区域，这将如何工作，您会得到中间点的明智数据吗？

这取决于您的数据类型，您必须执行一些测试。例如，您可以故意对一些好的数据进行蒙版，尝试使用具有蒙版值的数组尝试不同种类的插值，例如三次，线性等，并计算插值与您之前蒙版的原始值之间的差，然后查看方法返回您的细微差别。

您可以使用如下形式：

reference = array[3:6,3:6].copy()array[3:6,3:6] = np.nanmethod = ['linear', 'nearest', 'cubic']for i in method:    GD1 = interpolate.griddata((x1, y1), newarr.ravel(),        (xx, yy),method=i)    meandifference = np.mean(np.abs(reference - GD1[3:6,3:6]))    print ' %s interpolation difference: %s' %(i,meandifference )

这给出了这样的内容：

   linear interpolation difference: 4.88888888889   nearest interpolation difference: 4.11111111111   cubic interpolation difference: 5.99400137377

当然，这是针对随机数的，因此结果可能会有很大差异是正常的。因此，最好的办法是对数据集的“故意遮盖的”部分进行测试，然后看看会发生什么。