使用的输出scipy.interpolate.UnivariateSpline稍后在python或Matlab中使用，而不需要原始数据点

Question

我使用^{}平滑地插值大量数据。效果很好。我得到了一个像函数一样的对象。在

但现在我想把原始的数据保存在Python中（现在我想用Matlab来保存这些数据）。我该怎么做？在

在scipy中，我不知道；UnivariateSpline似乎并没有提供一个具有先前计算的结和系数的构造函数。在

在MATLAB中，我尝试了MATLAB函数^{}和pchip()，虽然这两个函数很接近，但它们在端点附近有一些类似于Gibbs ears的错误。在

下面是一组样本数据，以Matlab格式：

splinedata = struct('coeffs',[-0.0412739180955273 -0.0236463479425733 0.42393753107602 -1.27274336116436 0.255711720888164 1.93923263846732 -2.30438927604816 1.02078680231079 0.997156858475075 -2.35321792387215 0.667027554745454 0.777918416623834],...
 'knots',[0 0.125 0.1875 0.25 0.375 0.5 0.625 0.75 0.875 0.9999],...
 'y',[-0.0412739180955273 -0.191354308450615 -0.869601364377744 -0.141538578624065 0.895258135865578 -1.04292294390242 0.462652465278345 0.442550440125204 -1.03967756446455 0.777918416623834])

系数和结是在scipy单变量pline上调用get_coeffs()和{}的结果。更确切地说，单变量的值是：

^{pr2}$

其中f是我的单变量线。在

如何使用这些数据生成与单变量样条线行为相匹配的样条曲线，而不必使用曲线拟合工具箱？我不需要在Matlab中做任何数据拟合，我只需要知道如何从结/系数/样条值构造三次样条曲线。在

Answer 1

在scipy中，尝试scipy.interpolate.splev，这需要

tck: a sequence ... containing the knots, coefficients, and degree of the spline.

添加：以下python类创建样条函数： init with（knots，coefs，degree）初始化， 然后像使用UnivariateSpline( x, y, s )创建的样条函数一样使用它：

from scipy.interpolate import splev
    # http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.splev.html

class Splinefunc:
    """ splinef = Splinefunc( knots, coefs, degree )
        ...
        y = splinef( x )  # __call__

        19june untested
    """

    def __init__( self, knots, coefs, degree ):
        self.knots = knots
        self.coefs = coefs
        self.degree = degree

    def __call__( self, x ):
        return splev( x, (self.knots, self.coefs, self.degree ))

Answer 2

可以通过使用类_eval_args()和{}中的函数_eval_args()来实现。第一个参数返回样条线参数，您可以存储这些参数，然后使用第二个参数创建类似的样条线对象。在

下面是一个例子：

import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import UnivariateSpline

x = np.linspace(-3, 3, 50)
y = np.exp(-x**2) + 0.1 * np.random.randn(50)

spl1 = UnivariateSpline(x, y, s=.5)

xi = np.linspace(-3, 3, 1000)

tck = spl1._eval_args

spl2 = UnivariateSpline._from_tck(tck)

plt.plot(x, y, 'ro', ms=5, label='data')
plt.plot(xi, spl1(xi), 'b', label='original spline')
plt.plot(xi, spl2(xi), 'y:', lw=4, label='recovered spline')

plt.legend()
plt.show()