numpy的一维线性插值函数

前言：

     在用生成对抗网络生成二维数据点的时候遇到代码里的一个问题，就是numpy中的一维线性插值函数interp到底是怎么用的，在这个上面费了点功夫，因此现将其用法给出。

     在生成对抗网络的二维样本生成的例子中，涉及了一维线性插值，代码里使用的是：

numpy.interp(x, xp, fp, left=None, right=None, period=None)

上网查了百度和谷歌发现都没有具体的中文的解释，只有官方的英文解释：

\(One-dimensional\) \(linear\) \(interpolation.\) \(Returns\) \(the\) \(one-dimensional\) \(piecewise\) \(linear\) \(interpolant\) \(to\) \(a\) \(function\) \(with\) \(given\) \(values\) \(at\) \(discrete\) \(data-points.\)

官方给出的例子如下：

 >>> 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
Plot an interpolant to the sine function:
>>> x = np.linspace(0, 2*np.pi, 10)
>>> y = np.sin(x)
>>> xvals = np.linspace(0, 2*np.pi, 50)
>>> yinterp = np.interp(xvals, x, y)
>>> import matplotlib.pyplot as plt
>>> plt.plot(x, y, 'o')
[<matplotlib.lines.Line2D object at 0x...>]
>>> plt.plot(xvals, yinterp, '-x')
[<matplotlib.lines.Line2D object at 0x...>]
>>> plt.show()

其中对于第一例子，只要画出图像就很好理解了：



也就是说只要参数中的\(2.5\)是我们要插入的值，我们要做的是连接\((2,2)\)和\((3,0)\)这两个点，然后在\(x=2.5\)这里做垂线，那么相交的那个点(也就是\((2.5,1.0)\)这个点)就是我们要插入的点了。