本文章向大家介绍python numpy.interp实例讲解，主要分析其语法、参数、返回值和注意事项，并结合实例形式分析了其使用技巧，希望通过本文能帮助到大家理解应用这部分内容。
用法:
numpy.interp(x, xp, fp, left=none, right=none, period=none)
单调增加样本点的一维线性插值。
将一维分段线性插值返回给具有给定离散数据点的函数 (经验,fp)，评估为x.
参数：
返回：
抛出：
x： array_like
计算插值的 x 坐标。
xp： 一维浮点序列
数据点的 x 坐标，如果参数必须增加时期未指定。否则，经验在用标准化周期性边界后进行内部排序xp = xp % period.
fp： 浮点数或复数的一维序列
数据点的 y 坐标，长度与 xp 相同。
left： 对应于 fp 的可选浮点数或复数
x < xp[0] 的返回值，默认为 fp[0]。
right： 对应于 fp 的可选浮点数或复数
x > xp[-1] 的返回值，默认为 fp[-1]。
period： 无或浮点数，可选
x 坐标的句点。此参数允许正确插值角度 x 坐标。如果指定了 period，则忽略参数 left 和 right。
y： float 或 complex(对应于 fp)或 ndarray
插值，与 x 的形状相同。
valueerror
如果 xp 和 fp 的长度不同 如果 xp 或 fp 不是一维序列 如果 period == 0
警告
x 坐标序列预计会增加，但这没有明确强制执行。但是，如果序列 xp 不增加，则插值结果是没有意义的。
请注意，由于 nan 是不可排序的，经验也不能包含 nan。
xp 严格增加的简单检查是：
np.all(np.diff(xp) > 0)
例子：
>>> xp = [1, 2, 3] >>> fp = [3, 2, 0] >>> np.interp(2.5, xp, fp) 1.0 >>> np.interp([0, 1, 1.5, 2.72, 3.14], xp, fp) array([3. , 3. , 2.5 , 0.56, 0. ]) >>> undef = -99.0 >>> np.interp(3.14, xp, fp, right=undef) -99.0
绘制正弦函数的插值：
import numpy as np x = np.linspace(0, 2*np.pi, 10) y = np.sin(x) xvals = np.linspace(0, 2*np.pi, 50) # 增加 范围外的x 值 xvals=np.append(xvals,(6.5,8.0)) yinterp = np.interp(xvals, x, y) #xvals代表要生成点的横坐标，x代表原来区间的横坐标，y代表原来区间值得纵坐标。 import matplotlib.pyplot as plt plt.plot(x, y, 'o') #蓝色的点 plt.plot(xvals, yinterp, '-x') #黄色的区域 plt.show() print(x) # print()
使用周期性 x 坐标进行插值：
>>> x = [-180, -170, -185, 185, -10, -5, 0, 365] >>> xp = [190, -190, 350, -350] >>> fp = [5, 10, 3, 4] >>> np.interp(x, xp, fp, period=360) array([7.5 , 5. , 8.75, 6.25, 3. , 3.25, 3.5 , 3.75])
复杂插值：
>>> x = [1.5, 4.0] >>> xp = [2,3,5] >>> fp = [1.0j, 0, 2 3j] >>> np.interp(x, xp, fp) array([0. 1.j , 1. 1.5j])
