python可否用自定義函數(shù)對數(shù)據(jù)進(jìn)行插值

直接定義a=True/False就行，示例代碼：

讓客戶滿意是我們工作的目標(biāo)，不斷超越客戶的期望值來自于我們對這個(gè)行業(yè)的熱愛。我們立志把好的技術(shù)通過有效、簡單的方式提供給客戶，將通過不懈努力成為客戶在信息化領(lǐng)域值得信任、有價(jià)值的長期合作伙伴，公司提供的服務(wù)項(xiàng)目有：域名注冊、虛擬主機(jī)、營銷軟件、網(wǎng)站建設(shè)、正藍(lán)網(wǎng)站維護(hù)、網(wǎng)站推廣。

#定義布爾值類型參數(shù)a,b，值分別為True,False

a=True

b=False

print a,b

print type(a),type(b)

True False

type 'bool' type 'bool'

Python中的布爾類型：

Python的布爾類型有兩個(gè)值：True和False（注意大小寫要區(qū)分）

python怎樣對矩陣進(jìn)行插值？

首先需要?jiǎng)?chuàng)建數(shù)組才能對其進(jìn)行其它操作。

我們可以通過給array函數(shù)傳遞Python的序列對象創(chuàng)建數(shù)組，如果傳遞的是多層嵌套的序列，將創(chuàng)建多維數(shù)組(下例中的變量c):

a = np.array([1, 2, 3, 4])

b = np.array((5, 6, 7, 8))

c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])

b

array([5, 6, 7, 8])

c

array([[1, 2, 3, 4],

[4, 5, 6, 7],

[7, 8, 9, 10]])

c.dtype

dtype('int32')

數(shù)組的大小可以通過其shape屬性獲得：

a.shape

(4,)

c.shape

如何通過python實(shí)現(xiàn)三次樣條插值

spline函數(shù)可以實(shí)現(xiàn)三次樣條插值 x = 0:10; y = sin(x); xx = 0:.25:10; yy = spline(x,y,xx); plot(x,y,'o',xx,yy) 另外fnplt csapi這兩個(gè)函數(shù)也是三次樣條插值函數(shù)，具體你可以help一下！

python線性插值解析

在缺失值填補(bǔ)上如果用前后的均值填補(bǔ)中間的均值， 比如，0，空，1， 我們希望中間填充0.5；或者0，空，空，1，我們希望中間填充0.33，0.67這樣。

可以用pandas的函數(shù)進(jìn)行填充，因?yàn)檫@個(gè)就是線性插值法

df..interpolate()

dd=pd.DataFrame(data=[0,np.nan,np.nan,1])

dd.interpolate()

補(bǔ)充知識(shí)：線性插值公式簡單推導(dǎo)

以上這篇python線性插值解析就是我分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持。

詳解Python實(shí)現(xiàn)線性插值法

在算法分析過程中，我們經(jīng)常會(huì)遇到數(shù)據(jù)需要處理插值的過程，為了方便理解，我們這里給出相關(guān)概念和源程序，希望能幫助到您!

已知坐標(biāo) (x0, y0) 與 (x1, y1)，要求得區(qū)間 [x0, x1] 內(nèi)某一點(diǎn)位置 x 在直線上的y值。兩點(diǎn)間直線方程，我們有

那么，如何實(shí)現(xiàn)它呢？

依據(jù)數(shù)值分析，我們可以發(fā)現(xiàn)存在遞歸情況

執(zhí)行結(jié)果;

此外，我們也可以對一維線性插值使用指定得庫：numpy.interp

將一維分段線性插值返回給具有給定離散數(shù)據(jù)點(diǎn)（xp，fp）的函數(shù)，該函數(shù)在x處求值

檢查: 如果xp沒有增加，則結(jié)果是無意義的。

另一方面：線性插值是一種使用線性多項(xiàng)式進(jìn)行曲線擬合的方法，可以在一組離散的已知數(shù)據(jù)點(diǎn)范圍內(nèi)構(gòu)造新的數(shù)據(jù)點(diǎn)。

實(shí)際上，這可能意味著您可以推斷已知位置點(diǎn)之間的新的估計(jì)位置點(diǎn)，以創(chuàng)建更高頻率的數(shù)據(jù)或填寫缺失值。

以最簡單的形式，可視化以下圖像：

在此，已知數(shù)據(jù)點(diǎn)在位置（1,1）和（3,3）處為紅色。使用線性迭代，我們可以在它們之間添加一個(gè)點(diǎn)，該點(diǎn)可以顯示為藍(lán)色。

這是一個(gè)非常簡單的問題，如果我們擁有更多已知的數(shù)據(jù)點(diǎn)，并且想要特定頻率的插值點(diǎn)又該怎么辦呢？

這可以使用numpy包中的兩個(gè)函數(shù)在Python中非常簡單地實(shí)現(xiàn):

我們有十個(gè)已知點(diǎn)，但是假設(shè)我們要一個(gè)50個(gè)序列。

我們可以使用np.linspace做到這一點(diǎn)；序列的起點(diǎn)，序列的終點(diǎn)以及我們想要的數(shù)據(jù)點(diǎn)總數(shù)

起點(diǎn)和終點(diǎn)將與您的初始x值的起點(diǎn)和終點(diǎn)相同，因此在此我們指定0和2 * pi。我們還指定了對序列中50個(gè)數(shù)據(jù)點(diǎn)的請求

現(xiàn)在，進(jìn)行線性插值！使用np.interp，我們傳遞所需數(shù)據(jù)點(diǎn)的列表（我們在上面創(chuàng)建的50個(gè)），然后傳遞原始的x和y值

現(xiàn)在，讓我們繪制原始值，然后覆蓋新的內(nèi)插值！

您還可以將此邏輯應(yīng)用于時(shí)間序列中的x和y坐標(biāo)。在這里，您將根據(jù)時(shí)間對x值進(jìn)行插值，然后針對時(shí)間對y值進(jìn)行插值。如果您想在時(shí)間序列中使用更頻繁的數(shù)據(jù)點(diǎn)（例如，您想在視頻幀上疊加一些數(shù)據(jù)），或者缺少數(shù)據(jù)點(diǎn)或時(shí)間戳不一致，這將特別有用。

讓我們?yōu)橐粋€(gè)場景創(chuàng)建一些數(shù)據(jù)，在該場景中，在60秒的比賽時(shí)間里，一輛賽車僅發(fā)出十個(gè)位置（x＆y）輸出（在整個(gè)60秒的時(shí)間內(nèi)，時(shí)間也不一致）：

參考文獻(xiàn)

雙線性插值法原理 python實(shí)現(xiàn)

碼字不易，如果此文對你有所幫助，請幫忙點(diǎn)贊，感謝！

一. 雙線性插值法原理：

? ? ① 何為線性插值？

? ? 插值就是在兩個(gè)數(shù)之間插入一個(gè)數(shù)，線性插值原理圖如下：

? ? ② 各種插值法：

? ? 插值法的第一步都是相同的，計(jì)算目標(biāo)圖（dstImage）的坐標(biāo)點(diǎn)對應(yīng)原圖（srcImage）中哪個(gè)坐標(biāo)點(diǎn)來填充，計(jì)算公式為：

? ? srcX = dstX * (srcWidth/dstWidth)

? ? srcY = dstY * (srcHeight/dstHeight)

? ? (dstX,dstY)表示目標(biāo)圖像的某個(gè)坐標(biāo)點(diǎn)，(srcX,srcY)表示與之對應(yīng)的原圖像的坐標(biāo)點(diǎn)。srcWidth/dstWidth 和 srcHeight/dstHeight 分別表示寬和高的放縮比。

? ? 那么問題來了，通過這個(gè)公式算出來的 srcX, scrY 有可能是小數(shù)，但是原圖像坐標(biāo)點(diǎn)是不存在小數(shù)的，都是整數(shù)，得想辦法把它轉(zhuǎn)換成整數(shù)才行。

不同插值法的區(qū)別就體現(xiàn)在 srcX, scrY 是小數(shù)時(shí)，怎么將其變成整數(shù)去取原圖像中的像素值。

最近鄰插值（Nearest-neighborInterpolation）：看名字就很直白，四舍五入選取最接近的整數(shù)。這樣的做法會(huì)導(dǎo)致像素變化不連續(xù)，在目標(biāo)圖像中產(chǎn)生鋸齒邊緣。

雙線性插值（Bilinear Interpolation）：雙線性就是利用與坐標(biāo)軸平行的兩條直線去把小數(shù)坐標(biāo)分解到相鄰的四個(gè)整數(shù)坐標(biāo)點(diǎn)。權(quán)重與距離成反比。

? ??雙三次插值（Bicubic Interpolation）：與雙線性插值類似，只不過用了相鄰的16個(gè)點(diǎn)。但是需要注意的是，前面兩種方法能保證兩個(gè)方向的坐標(biāo)權(quán)重和為1，但是雙三次插值不能保證這點(diǎn)，所以可能出現(xiàn)像素值越界的情況，需要截?cái)唷?/p>

? ? ③ 雙線性插值算法原理

假如我們想得到未知函數(shù) f 在點(diǎn) P = (x, y) 的值，假設(shè)我們已知函數(shù) f 在 Q11 = (x1, y1)、Q12 = (x1, y2), Q21 = (x2, y1) 以及 Q22 = (x2, y2) 四個(gè)點(diǎn)的值。最常見的情況，f就是一個(gè)像素點(diǎn)的像素值。首先在 x 方向進(jìn)行線性插值，然后再在 y 方向上進(jìn)行線性插值，最終得到雙線性插值的結(jié)果。

④ 舉例說明

二. python實(shí)現(xiàn)灰度圖像雙線性插值算法：

灰度圖像雙線性插值放大縮小

import numpy as np

import math

import cv2

def double_linear(input_signal, zoom_multiples):

'''

雙線性插值

:param input_signal: 輸入圖像

:param zoom_multiples: 放大倍數(shù)

:return: 雙線性插值后的圖像

'''

input_signal_cp = np.copy(input_signal)? # 輸入圖像的副本

input_row, input_col = input_signal_cp.shape # 輸入圖像的尺寸（行、列）

# 輸出圖像的尺寸

output_row = int(input_row * zoom_multiples)

output_col = int(input_col * zoom_multiples)

output_signal = np.zeros((output_row, output_col)) # 輸出圖片

for i in range(output_row):

? ? for j in range(output_col):

? ? ? ? # 輸出圖片中坐標(biāo) （i，j）對應(yīng)至輸入圖片中的最近的四個(gè)點(diǎn)點(diǎn)（x1，y1）（x2, y2），（x3， y3），(x4，y4)的均值

? ? ? ? temp_x = i / output_row * input_row

? ? ? ? temp_y = j / output_col * input_col

? ? ? ? x1 = int(temp_x)

? ? ? ? y1 = int(temp_y)

? ? ? ? x2 = x1

? ? ? ? y2 = y1 + 1

? ? ? ? x3 = x1 + 1

? ? ? ? y3 = y1

? ? ? ? x4 = x1 + 1

? ? ? ? y4 = y1 + 1

? ? ? ? u = temp_x - x1

? ? ? ? v = temp_y - y1

? ? ? ? # 防止越界

? ? ? ? if x4 = input_row:

? ? ? ? ? ? x4 = input_row - 1

? ? ? ? ? ? x2 = x4

? ? ? ? ? ? x1 = x4 - 1

? ? ? ? ? ? x3 = x4 - 1

? ? ? ? if y4 = input_col:

? ? ? ? ? ? y4 = input_col - 1

? ? ? ? ? ? y3 = y4

? ? ? ? ? ? y1 = y4 - 1

? ? ? ? ? ? y2 = y4 - 1

? ? ? ? # 插值

? ? ? ? output_signal[i, j] = (1-u)*(1-v)*int(input_signal_cp[x1, y1]) + (1-u)*v*int(input_signal_cp[x2, y2]) + u*(1-v)*int(input_signal_cp[x3, y3]) + u*v*int(input_signal_cp[x4, y4])

return output_signal

# Read image

img = cv2.imread("../paojie_g.jpg",0).astype(np.float)

out = double_linear(img,2).astype(np.uint8)

# Save result

cv2.imshow("result", out)

cv2.imwrite("out.jpg", out)

cv2.waitKey(0)

cv2.destroyAllWindows()

三. 灰度圖像雙線性插值實(shí)驗(yàn)結(jié)果：

四. 彩色圖像雙線性插值python實(shí)現(xiàn)

def BiLinear_interpolation(img,dstH,dstW):

scrH,scrW,_=img.shape

img=np.pad(img,((0,1),(0,1),(0,0)),'constant')

retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)

for i in range(dstH-1):

? ? for j in range(dstW-1):

? ? ? ? scrx=(i+1)*(scrH/dstH)

? ? ? ? scry=(j+1)*(scrW/dstW)

? ? ? ? x=math.floor(scrx)

? ? ? ? y=math.floor(scry)

? ? ? ? u=scrx-x

? ? ? ? v=scry-y

? ? ? ? retimg[i,j]=(1-u)*(1-v)*img[x,y]+u*(1-v)*img[x+1,y]+(1-u)*v*img[x,y+1]+u*v*img[x+1,y+1]

return retimg

im_path='../paojie.jpg'

image=np.array(Image.open(im_path))

image2=BiLinear_interpolation(image,image.shape[0]*2,image.shape[1]*2)

image2=Image.fromarray(image2.astype('uint8')).convert('RGB')

image2.save('3.png')

五. 彩色圖像雙線性插值實(shí)驗(yàn)結(jié)果：

六. 最近鄰插值算法和雙三次插值算法可參考：

① 最近鄰插值算法：

???

? ? ② 雙三次插值算法：

七. 參考內(nèi)容：

? ??

???

新聞標(biāo)題：python里的插值函數(shù) python字符串插值
轉(zhuǎn)載源于：http://chinadenli.net/article8/doddpop.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供、外貿(mào)建站、網(wǎng)站內(nèi)鏈、定制開發(fā)、企業(yè)建站、搜索引擎優(yōu)化

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)