Давайте создадим общий MCVE, сначала мы импортируем необходимые пакеты:
import numpy as np
from scipy import interpolate
import matplotlib.pyplot as plt
from mpl_toolkits import mplot3d
import matplotlib.tri as mtri
np.random.seed(123456) # Fix the random seed
Теперь мы генерируем коллекцию трехмерных точек для поверхности S
(обратите внимание, что это неправильная сетка):
NS = 100
Sx = np.random.uniform(low=-1., high=1., size=(NS,))
Sy = np.random.uniform(low=-1., high=1., size=(NS,))
Sz = -(Sx**2 + Sy**2) + 0.1*np.random.normal(size=(NS,))
И параметрическая кривая P
:
NP = 100
t = np.linspace(-1, 1, NP)
Px = t
Py = t**2 - 0.5
Pz = t**3 + 1
Ключом к решению вашей проблемы является LinearNDInterpolator
, который выполняет кусочно-линейную интерполяцию в N измерениях:
PSz = interpolate.LinearNDInterpolator(list(zip(Sx, Sy)), Sz)(list(zip(Px,Py)))
Существует только необходимость изменить данные, чтобы они соответствовали сигнатуре метода из отдельных векторов в матрицу формы (Nsample,Ndims)
, что можно перевести на:
list(zip(Sx, Sy))
Мы можем проверить данные сверху:
tri = mtri.Triangulation(Sx, Sy)
fig, axe = plt.subplots()
axe.plot(Sx, Sy, '+')
axe.plot(Px, Py)
axe.triplot(tri, linewidth=1, color='gray')
axe.set_aspect('equal')
axe.grid()

Полный трехмерный результат показан ниже:
axe = plt.axes(projection='3d')
axe.plot_trisurf(tri, Sz, cmap='jet', alpha=0.5)
axe.plot(Px, Py, Pz)
axe.plot(Px, Py, PSz, linewidth=2, color='black')
axe.scatter(Sx, Sy, Sz)
axe.view_init(elev=25, azim=-45)

axe.view_init(elev=75, azim=-45)
