在Python中将不规则间隔的数据重采样到规则网格

Question

我需要重新采样二维数据到一个规则的网格。

这就是我的代码：

import matplotlib.mlab as ml
import numpy as np

y = np.zeros((512,115))
x = np.zeros((512,115))

# Just random data for this test:
data = np.random.randn(512,115)

# filling the grid coordinates:    
for i in range(512):
    y[i,:]=np.arange(380,380+4*115,4)

for i in range(115):
    x[:,i] = np.linspace(-8,8,512)
    y[:,i] -=  np.linspace(-0.1,0.2,512)

# Defining the regular grid
y_i = np.arange(380,380+4*115,4)
x_i = np.linspace(-8,8,512)

resampled_data = ml.griddata(x,y,data,x_i,y_i)

（512115）是二维数据的形状，我已经安装了mpl_toolkits.natgrid。

我的问题是，我得到了一个蒙面数组，其中大多数条目是nan，而不是一个数组，它主要由常规条目组成，在边界处只有nan。

有人能告诉我我做错了什么吗？

谢谢！

Answer 1

把你的代码示例和你的问题标题比较，我觉得你有点困惑。。。

在您的示例代码中，您正在创建规则网格化的随机数据，然后将其重新采样到另一个规则网格。你的例子中没有任何不规则的数据。。。

（另外，代码没有按原样运行，您应该查看^{}，而不是循环生成x&y网格。）

如果您想重新采样一个已经定期采样的网格，就像您在示例中所做的那样，有比griddata或下面我将要描述的任何方法更有效的方法。（^{}非常适合您的问题，如果是这样的话。）

然而，根据你的问题，听起来你有不规则的间隔数据，你想插入到一个规则的网格上。

在这种情况下，您可能有以下几点：

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# Bounds and number of the randomly generated data points
ndata = 20
xmin, xmax = -8, 8
ymin, ymax = 380, 2428

# Generate random data
x = np.random.randint(xmin, xmax, ndata)
y = np.random.randint(ymin, ymax, ndata)
z = np.random.random(ndata)

# Plot the random data points
plt.scatter(x,y,c=z)
plt.axis([xmin, xmax, ymin, ymax])
plt.colorbar()
plt.show()

然后你可以像以前那样插入数据。。。（从上面的代码片段继续…）

# Size of regular grid
ny, nx = 512, 115

# Generate a regular grid to interpolate the data.
xi = np.linspace(xmin, xmax, nx)
yi = np.linspace(ymin, ymax, ny)
xi, yi = np.meshgrid(xi, yi)

# Interpolate using delaunay triangularization 
zi = mlab.griddata(x,y,z,xi,yi)

# Plot the results
plt.figure()
plt.pcolormesh(xi,yi,zi)
plt.scatter(x,y,c=z)
plt.colorbar()
plt.axis([xmin, xmax, ymin, ymax])
plt.show()

但是，您会注意到网格中有很多工件。这是因为x坐标在-8到8之间，而y坐标在~300到~2500之间。插值算法试图使事物各向同性，而您可能需要一个高度各向异性的插值（以便在绘制网格时它看起来各向同性）。

若要更正此问题，您需要创建新的坐标系来进行插值。没有一种正确的方法可以做到这一点。我下面所用的方法是可行的，但是“最好”的方法在很大程度上取决于你的数据实际代表了什么。

（换言之，使用您对数据所测量的系统的了解来决定如何执行。对于插值，这始终为真！除非您知道结果应该是什么样的，并且对插值算法已经足够熟悉，可以利用这一先验信息来达到您的目的，否则您不应该进行插值！！也有比网格数据默认使用的Delaunay三角剖分更灵活的插值算法，但是对于一个简单的例子来说，这很好…）

无论如何，一种方法是重新调整x和y坐标，使它们的范围大致相同。在这种情况下。我们将从0重新缩放到1。。。（请原谅意大利面字符串代码。。。我只是想以身作则……）

# (Continued from examples above...)
# Normalize coordinate system
def normalize_x(data):
    data = data.astype(np.float)
    return (data - xmin) / (xmax - xmin)

def normalize_y(data):
    data = data.astype(np.float)
    return (data - ymin) / (ymax - ymin)

x_new, xi_new = normalize_x(x), normalize_x(xi)
y_new, yi_new = normalize_y(y), normalize_y(yi)

# Interpolate using delaunay triangularization 
zi = mlab.griddata(x_new, y_new, z, xi_new, yi_new)

# Plot the results
plt.figure()
plt.pcolormesh(xi,yi,zi)
plt.scatter(x,y,c=z)
plt.colorbar()
plt.axis([xmin, xmax, ymin, ymax])
plt.show()

希望这有帮助，无论如何。。。对不起，回答的时间太长了！