xarray （教程）第四章 插值的使用 |
您所在的位置：网站首页 › xr-1016fx使用方法 › xarray （教程）第四章 插值的使用 |
xarray （教程）第四章 插值的使用
|
Interpolating data
Xarray提供了灵活的插值例程，与我们的索引有相似的接口。 interp需要安装scipy。 Scalar and 1-dimensional interpolation对数据数组进行插值的工作方式很像对数据数组进行标记索引， da = xr.DataArray( np.sin(0.3 * np.arange(12).reshape(4, 3)), [("time", np.arange(4)), ("space", [0.1, 0.2, 0.3])], ) # label lookup da.sel(time=3) """Out[2]: array([ 0.427, 0.141, -0.158]) Coordinates: time int64 3 * space (space) float64 0.1 0.2 0.3""" # interpolation da.interp(time=2.5) """Out[3]: array([0.701, 0.502, 0.259]) Coordinates: * space (space) float64 0.1 0.2 0.3 time float64 2.5"""与索引类似，interp()也接受类似数组的，它将插值结果作为数组给出。 # label lookup da.sel(time=[2, 3]) """Out[4]: array([[ 0.974, 0.863, 0.675], [ 0.427, 0.141, -0.158]]) Coordinates: * time (time) int64 2 3 * space (space) float64 0.1 0.2 0.3 """ # interpolation da.interp(time=[2.5, 3.5]) """Out[5]: array([[0.701, 0.502, 0.259], [ nan, nan, nan]]) Coordinates: * space (space) float64 0.1 0.2 0.3 * time (time) float64 2.5 """ 3.5要使用numpy.datetime64坐标插值数据，可以传递一个字符串。 da_dt64 = xr.DataArray( [1, 3], [("time", pd.date_range("1/1/2000", "1/3/2000", periods=2))] ) da_dt64.interp(time="2000-01-02") """Out[7]: array(2.) Coordinates: time datetime64[ns] 2000-01-02"""通过指定所需的时间段，可以将插值数据合并到原始数据阵列中。 da_dt64.interp(time=pd.date_range("1/1/2000", "1/3/2000", periods=3)) """Out[8]: array([1., 2., 3.]) Coordinates: * time (time) datetime64[ns] 2000-01-01 2000-01-02 2000-01-03"""也允许对CFTimeIndex索引的数据进行插值。 目前，我们的插值只适用于规则的网格。因此，与sel()类似，只有沿一个维度的1D坐标可以用作要插值的原始坐标。 Multi-dimensional Interpolation和sel()一样，interp()接受多个坐标。在这种情况下，执行多维插值。 # label lookup da.sel(time=2, space=0.1) """Out[9]: array(0.974) Coordinates: time int64 2 space float64 0.1""" # interpolation da.interp(time=2.5, space=0.15) """Out[10]: array(0.601) Coordinates: time float64 2.5 space float64 0.15"""也接受类似数组的坐标: # label lookup da.sel(time=[2, 3], space=[0.1, 0.2]) """Out[11]: array([[0.974, 0.863], [0.427, 0.141]]) Coordinates: * time (time) int64 2 3 * space (space) float64 0.1 0.2""" # interpolation da.interp(time=[1.5, 2.5], space=[0.15, 0.25]) """Out[12]: array([[0.888, 0.867], [0.601, 0.381]]) Coordinates: * time (time) float64 1.5 2.5 * space (space) float64 0.15 0.25"""interp_like()方法是一个有用的快捷方式。该方法将一个xarray对象插值到另一个xarray对象的坐标上。 例如，如果我们想计算两个数据数组(da和other)在稍微不同的坐标上的差异， 首先插值da，使其保持在相同的坐标上，然后减去它。interp_like()可以用于这种情况， da = xr.DataArray( np.arange(12).reshape(4, 3), [("time", np.arange(4)), ("space", [0.1, 0.2, 0.3])], ) other = xr.DataArray( np.arange(9).reshape(3, 3), [("time", [0.9, 1.9, 2.9]), ("space", [0.15, 0.25, 0.35])], ) print(da) print(other) # interpolate da along other's coordinates interpolated = da.interp_like(other) print(interpolated) """ array([[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]]) Coordinates: * time (time) int32 0 1 2 3 * space (space) float64 0.1 0.2 0.3 array([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) Coordinates: * time (time) float64 0.9 1.9 2.9 * space (space) float64 0.15 0.25 0.35 array([[ 3.2, 4.2, nan], [ 6.2, 7.2, nan], [ 9.2, 10.2, nan]]) Coordinates: * time (time) float64 0.9 1.9 2.9 * space (space) float64 0.15 0.25 0.35 """ Interpolation methods我们使用scipy.interpolate.interp1d进行一维插值。对于多维插值，首先尝试将插值分解为一系列一维插值，在这种情况下，使用scipy.interpolate.interp1d。如果无法进行分解( 例如使用高级插值)，则使用scipy.interpolate.interpn()。 插值方法可以由可选的方法参数指定。 da = xr.DataArray( np.sin(np.linspace(0, 2 * np.pi, 10)), dims="x", coords={"x": np.linspace(0, 1, 10)}, ) da.plot.line("o", label="original") # Out[17]: [] da.interp(x=np.linspace(0, 1, 100)).plot.line(label="linear (default)") # Out[18]: [] da.interp(x=np.linspace(0, 1, 100), method="cubic").plot.line(label="cubic") # Out[19]: [] plt.legend() # Out[20]:
附加的关键字参数可以传递给scipy的函数。 # fill 0 for the outside of the original coordinates. da.interp(x=np.linspace(-0.5, 1.5, 10), kwargs={"fill_value": 0.0}) """Out[21]: array([ 0. , 0. , 0. , 0.814, 0.604, -0.604, -0.814, 0. , 0. , 0. ]) Coordinates: * x (x) float64 -0.5 -0.2778 -0.05556 0.1667 ... 0.8333 1.056 1.278 1.5""" # 1-dimensional extrapolation da.interp(x=np.linspace(-0.5, 1.5, 10), kwargs={"fill_value": "extrapolate"}) """Out[22]: array([-2.893, -1.607, -0.321, 0.814, 0.604, -0.604, -0.814, 0.321, 1.607, 2.893]) Coordinates: * x (x) float64 -0.5 -0.2778 -0.05556 0.1667 ... 0.8333 1.056 1.278 1.5""" # multi-dimensional extrapolation da = xr.DataArray( np.sin(0.3 * np.arange(12).reshape(4, 3)), [("time", np.arange(4)), ("space", [0.1, 0.2, 0.3])], ) da.interp( time=4, space=np.linspace(-0.1, 0.5, 10), kwargs={"fill_value": "extrapolate"} ) """Out[24]: array([ 0.805, 0.497, 0.189, -0.119, -0.427, -0.718, -0.991, -1.264, -1.538, -1.811]) Coordinates: time int64 4 * space (space) float64 -0.1 -0.03333 0.03333 0.1 ... 0.3 0.3667 0.4333 0.5""" Advanced Interpolationinterp()接受类似于sel()的DataArray，这使我们能够进行更高级的插值。基于传递给interp()的新坐标的尺寸，结果的尺寸被确定。 例如，如果您想沿着特定的维度插入一个二维数组，如下所示，您可以传递两个具有相同维度的一维数据数组作为新坐标。
其中原始坐标(x，y) = ((0.5，1.5)，(1.5，2.5)，(2.5，3.5)，(3.5，4.5))上的值通过二维插值获得，并沿着新的维度z映射。 由于没有关键字参数被传递到插值例程，因此不执行外插，从而产生nan值。 如果要向新维度z添加坐标，可以向DataArray s提供坐标。外推可以通过向SciPy的interpnd函数传递附加参数来实现， da = xr.DataArray( np.arange(20).reshape(5, 4), [("x", np.arange(5)), ("y", [1,2,3,4])], ) print(da) x = xr.DataArray([0.5, 1.5, 2.5, 3.5], dims="z", coords={"z": ["a", "b", "c", "d"]}) y = xr.DataArray( [1.5, 2.5, 3.5, 4.5], dims="z", coords={"z": ["a", "b", "c", "d"]} ) da=da.interp(x=x, y=y, kwargs={"fill_value": None}) print(da) """ array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15], [16, 17, 18, 19]]) Coordinates: * x (x) int32 0 1 2 3 4 * y (y) int32 1 2 3 4 array([ 2.5, 7.5, 12.5, 17.5]) Coordinates: x (z) float64 0.5 1.5 2.5 3.5 y (z) float64 1.5 2.5 3.5 4.5 * z (z) |
【本文地址】