前言：
现在咱们对“插值 python”大约比较关注，大家都需要了解一些“插值 python”的相关知识。那么小编同时在网上汇集了一些对于“插值 python””的相关内容，希望大家能喜欢，咱们快快来学习一下吧！import numpy as npimport scipy as spfrom scipy.interpolate import lagrangefrom scipy.interpolate import BarycentricInterpolatorprint('numpy is of version: ', np.__version__)print('scipy is of version: ', sp.__version__)# 使用scipy自带的拉格朗日插值模块函数求解def lagrangePolynomialDemo1(): xElements = np.array([0, 1, 2]) yElements = np.array([0, 1, 8]) polynomial = lagrange(xElements, yElements) print('生成的多项式: \n', polynomial) # 结果表达式： 3*x**2 - 2*x# 使用scipy自带的拉格朗日插值模块函数求解def lagrangePolynomialDemo2(): xElements = np.array([0, 1, 2]) yElements = np.array([1, np.power(np.e, 1), np.power(np.e, 2)]) polynomial = lagrange(xElements, yElements) print('生成的多项式: \n', polynomial) # 结果表达式： 1.476*x**2 + 0.242*x + 1# 使用scipy自带的拉格朗日插值模块函数求解def lagrangePolynomialDemo3(): xElements = np.array([0, 2, 3]) yElements = np.array([1, 2, 4]) polynomial = lagrange(xElements, yElements) print('生成的多项式: \n', polynomial) # 结果表达式： 0.5*x**2 - 0.5*x + 1# 牛顿差商插值def newtonPolynomialDemo1(): xElements = np.array([0, 2, 3]) yElements = np.array([1, 2, 4]) temp1 = np.zeros(xElements.size) temp2 = np.zeros(xElements.size) temp3 = np.zeros(xElements.size) for i in np.arange(xElements.size): temp1[i] = yElements[i] for i in np.arange(1, xElements.size): temp2[i] = (temp1[i] - temp1[i-1])/(xElements[i] - xElements[i-1]) for i in np.arange(2, xElements.size): temp3[i] = (temp2[i] - temp2[i-1])/(xElements[i] - xElements[i-2]) result = np.array([temp1[0], temp2[1], temp3[2]]) print(result) # scipy/numpy没找到对应的牛顿插值模块，算法low了点，但是可以很清楚的看明白具体过程~ # 结果表达式需要根据得到的数组化简一下: 1 + 0.5*(x-0) + 0.5*(x-0)*(x-2) = 0.5*x**2 - 0.5*x + 1def newtonPolynomialDemo2(): xElements = np.array([0, 1, 2, 3]) yElements = np.array([2, 1, 0, -1]) temp1 = np.zeros(xElements.size) temp2 = np.zeros(xElements.size) temp3 = np.zeros(xElements.size) temp4 = np.zeros(xElements.size) for i in np.arange(xElements.size): temp1[i] = yElements[i] for i in np.arange(1, xElements.size): temp2[i] = (temp1[i] - temp1[i-1])/(xElements[i] - xElements[i-1]) for i in np.arange(2, xElements.size): temp3[i] = (temp2[i] - temp2[i-1])/(xElements[i] - xElements[i-2]) for i in np.arange(3, xElements.size): temp4[i] = (temp3[i] - temp3[i-1])/(xElements[i] - xElements[i-3]) result = np.array([temp1[0], temp2[1], temp3[2], temp4[3]]) print(result) # 结果表达式的化简过程: 2 + (-1)*(x-0) + 0*(x-0)(x-1) + 0*(x-0)(x-1)(x-2) = -x + 2# scipy.interpolate下还有很多其他的插值方法，具体见文档# BarycentricInterpolatorDemo(): xElements = np.array([0, 1, 2, 3]) yElements = np.array([2, 1, 0, -1]) # 根据传入的x, y构建一个多项式 polynomial = BarycentricInterpolator(xElements, yElements) # 根据构建的多项式算出来y值 predictValues = polynomial._evaluate(np.array([5, 4, 3, 2, 1])) # 感觉就是上面的-x + 2表达式算出来的:) print(predictValues)if __name__ == "__main__": # lagrangePolynomialDemo1() # lagrangePolynomialDemo2() # lagrangePolynomialDemo3() # newtonPolynomialDemo1() # newtonPolynomialDemo2() BarycentricInterpolatorDemo() 版权声明：
本站文章均来自互联网搜集，如有侵犯您的权益，请联系我们删除，谢谢。
标签： #插值 python
