python - 在二维数组上使用插值函数

Question

我有一个一维函数，需要花费很多时间来计算一个大的二维“x”值数组，因此使用 SciPy 工具创建插值函数然后使用它计算 y 非常容易，这会快得多。但是，我无法对超过一维的数组使用插值函数。

示例:

# First, I create the interpolation function in the domain I want to work
x = np.arange(1, 100, 0.1)
f = exp(x) # a complicated function
f_int = sp.interpolate.InterpolatedUnivariateSpline(x, f, k=2)

# Now, in the code I do that
x = [[13, ..., 1], [99, ..., 45], [33, ..., 98] ..., [15, ..., 65]]
y = f_int(x)
# Which I want that it returns y = [[f_int(13), ..., f_int(1)], ..., [f_int(15), ..., f_int(65)]]

但返回:

ValueError: object too deep for desired array

我知道我可以循环所有 x 成员，但我不知道这是否是更好的选择...

谢谢!

编辑:

类似的函数也可以完成这项工作:

def vector_op(function, values):

    orig_shape = values.shape
    values = np.reshape(values, values.size)

    return np.reshape(function(values), orig_shape)

我尝试过 np.vectorize 但它太慢了......

Answer 1

如果f_int想要单维数据，您应该展平您的输入，将其输入插值器，然后重建您的原始形状:

>>> x = np.arange(1, 100, 0.1)
>>> f = 2 * x # a simple function to see the results are good
>>> f_int = scipy.interpolate.InterpolatedUnivariateSpline(x, f, k=2)

>>> x = np.arange(25).reshape(5, 5) + 1
>>> x
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20],
       [21, 22, 23, 24, 25]])
>>> x_int = f_int(x.reshape(-1)).reshape(x.shape)
>>> x_int
array([[  2.,   4.,   6.,   8.,  10.],
       [ 12.,  14.,  16.,  18.,  20.],
       [ 22.,  24.,  26.,  28.,  30.],
       [ 32.,  34.,  36.,  38.,  40.],
       [ 42.,  44.,  46.,  48.,  50.]])

x.reshape(-1) 进行扁平化，.reshape(x.shape) 将其返回到原始形式。