Попытка интерполировать 2D-данные, используя scipy - просто получая массивы NaN

Question

Я пытаюсь написать очень простой кусок кода, который будет интерполировать из набора существующих данных для создания синтетического распределения значений.

Код, который у меня есть, выглядит так:

import pandas as pd
import numpy as np
import scipy
from scipy.interpolate import griddata
import matplotlib

CRN_data=pd.read_table('disequilibrium data.dat',sep=',')
kzz=CRN_data['Kzz']
temperature=CRN_data['Temperature']
degree=CRN_data['Mean Degree']
points=np.ndarray(shape=(len(kzz),2),dtype='float')
for i in range(len(kzz)):
    points[i][0]=kzz[i]
    points[i][1]=temperature[i]
gridx,gridy= np.mgrid[0:1:100j,0:1:200j]
grid=griddata(points,degree,(gridx,gridy),method='cubic')
print grid

И набор данных, из которого я интерполирую, выглядит следующим образом:

Kzz,Temperature,Mean Degree,   
1.00E+06,400,7.41E+18
1.00E+06,500,4.48E+23
...
1.00E+08,400,4.67E+18
1.00E+08,500,6.88E+23
1.00E+08,750,1.88E+34
...
1.00E+10,750,2.73E+33
1.00E+10,900,2.82E+37
1.00E+10,1000,1.19E+39
...

Однако, пока код выполняется, основной вывод, который я получаю, -

[[ nan  nan  nan ...,  nan  nan  nan]
 [ nan  nan  nan ...,  nan  nan  nan]
 [ nan  nan  nan ...,  nan  nan  nan]
 ..., 
 [ nan  nan  nan ...,  nan  nan  nan]
 [ nan  nan  nan ...,  nan  nan  nan]
 [ nan  nan  nan ...,  nan  nan  nan]]

что, очевидно, не очень полезно. Это ошибка в Scipy или (что более вероятно) я делаю что-то не так?

Answer 1

Вы получаете значения nan, поскольку запрошенные вами точки, содержащиеся в gridx и gridy, находятся за пределами выпуклой оболочки входных точек в points. Вы можете указать fill_value для использования для экстраполированных точек, но вы можете подумать о переопределении выделенных вами ограничений для gridx и gridy, чтобы получить значимые результаты, такие как:

import pandas as pd
import numpy as np
from scipy.interpolate import griddata
import matplotlib.pyplot as plt

CRN_data = pd.DataFrame([
[1.00E+06,400,7.41E+18],
[1.00E+06,500,4.48E+23],
[1.00E+08,400,4.67E+18],
[1.00E+08,500,6.88E+23],
[1.00E+08,750,1.88E+34],
[1.00E+10,750,2.73E+33],
[1.00E+10,900,2.82E+37],
[1.00E+10,1000,1.19E+39]],
columns=['Kzz','Temperature','Mean Degree'])

kzz = CRN_data['Kzz']
temperature = CRN_data['Temperature']
degree = CRN_data['Mean Degree']

points = np.matrix([[kzz[i], temperature[i]] for i in range(len(kzz))])

gridx, gridy = np.mgrid[kzz.min():kzz.max():100j,temperature.min():temperature.max():200j]

grid = griddata(points, degree, (gridx, gridy), method='cubic')

Урожайность:

[[7.41000000e+18 1.35147259e+22 2.70220418e+22 ...            nan
             nan            nan]
 [           nan 1.07878728e+33 1.26216288e+33 ...            nan
             nan            nan]
 [           nan            nan 1.38255505e+35 ...            nan
             nan            nan]
 ...
 [           nan            nan            nan ... 1.16569048e+39
             nan            nan]
 [           nan            nan            nan ... 1.16394396e+39
  1.17798560e+39            nan]
 [           nan            nan            nan ... 1.16129655e+39
  1.17564827e+39 1.19000000e+39]]

И черчение:

Answer 2

Сравните диапазоны исходных данных с вашей целевой сеткой. Из того, что я вижу, исходные диапазоны x = 1e6: 1e10 и y = 400: 1000, в то время как ваша сетка 0-1 (и x, и y). В этом случае «target» находится за пределами исходных данных, а использование «linear» или «cubic» даст вам NaN - попробуйте «ближайший», и Nan исчезнет.