假设我们有一个数组a = np.array([1,2,0,4,0,5,0,0,11])，我们如何得到:
array([ 1, 2, 3, 4, 4.5, 5, 7, 9, 11])
我试过的是:
from scipy.interpolate import interp1d
a = np.array([1,2,0,4,0,5,0,0,11])
b = a[np.nonzero(a)]
brange = np.arange(b.shape[0])
interp = interp1d(brange, b)
这似乎完成了查找中间值的实际工作。例如:
print (interp(1), interp(1.5), interp(2), interp(2.5), interp(3))
#out: 2.0 3.0 4.0 4.5 5.0
但我不知道如何从 interp 重新构造我的原始数组。我还尝试了 this question 的解决方案，但我对该解决方案也有完全相同的问题。
更新:
我使用 numpy 和 pandas 对这两种解决方案进行了快速基准测试，结果如下:
y = np.array([1,2,0,4,0,5,0,0,11])
def test1(y):
x = np.arange(len(y))
idx = np.nonzero(y)
interp = interp1d(x[idx],y[idx])
return interp(x)
def test2(y):
s = pd.Series(y)
s.interpolate(inplace=True)
return s.values
%timeit t1 = test1(y)
%timeit t2 = test2(y)
139 µs ± 1.62 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
158 µs ± 2.01 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
大约快 12%。没有我希望的那么好，但由于代码将运行数百万次，所以这可能是值得的。
请您参考如下方法:
您需要向 interp1d 提供一个 没有 零的 y 数组和一个跳过所述零的 x 数组。然后，对于插值，您必须为插值函数提供一个 x 数组，其中包含所有原始 x 值以及您希望插值出现的 x 值。在你的情况下，因为你有一个准备好的、等距的向量，你可以只使用 np.arange 来产生 x 值和 np.where 来过滤掉零.
这里是一个示例代码:
import numpy as np
from scipy.interpolate import interp1d
y = np.array([1,2,0,4,0,5,0,0,11])
xnew = np.arange(len(y))
zero_idx = np.where(y==0)
xold = np.delete(xnew,zero_idx)
yold = np.delete(y, zero_idx)
print('before')
print(xold)
print(yold)
f = interp1d(xold,yold)
ynew = f(xnew)
print()
print('after')
print(xnew)
print(ynew)
结果是这样的:
before
[0 1 3 5 8]
[ 1 2 4 5 11]
after
[0 1 2 3 4 5 6 7 8]
[ 1. 2. 3. 4. 4.5 5. 7. 9. 11. ]
编辑:
其实你不需要np.delete，你可以只使用切片:
y = np.array([1,2,0,4,0,5,0,0,11])
x = np.arange(len(y))
idx = np.where(y!=0) #or np.nonzero(y) -- thanks DanielF
f = interp1d(x[idx],y[idx])
ynew = f(x)
