다차원 데이터를 보간하기위한 우선적이고 효율적인 방법은 무엇입니까?

다차원 데이터를 보간하기위한 우선적이고 효율적인 방법은 무엇입니까?

내가 걱정하는 것 :

1. 시공을위한 성능 및 메모리, 단일 / 배치 평가
2. 1에서 6까지의 치수 취급
3. 선형 또는 고차
4. 그라디언트를 얻는 기능 (선형이 아닌 경우)
5. 일반 대 흩어진 격자
6. 보간 함수로 사용, 예. 근을 찾거나 최소화하기 위해
7. 외삽 기능

이것에 대한 효율적인 오픈 소스 구현이 있습니까?

scipy.interpolate와 scikit-learn의 kriging으로 부분 운이있었습니다.

스플라인, Chebyshev 다항식 등을 시도하지 않았습니다.

이 주제에 대해 지금까지 찾은 내용은 다음과 같습니다.

직사각형 그리드의 Python 4D 선형 보간

x, y 및 z의 간격이 다른 정기적으로 샘플링 된 3D 데이터의 빠른 보간

일반 그리드 데이터의 빠른 보간

실제 사용에 가장 적합한 다 변형 산란 보간 방법은 무엇입니까?

내 질문의 첫 번째 부분에서는 파이썬 라이브러리를 사용하는 다른 선형 보간 방법의 성능에 대한이 매우 유용한 비교를 발견했습니다.

http://nbviewer.ipython.org/github/pierre-haessig/stodynprog/blob/master/stodynprog/linear_interp_benchmark.ipynb

다음은 지금까지 수집 된 방법 목록입니다.

표준 보간, 구조화 된 그리드 :

http://docs.scipy.org/doc/scipy-dev/reference/generated/scipy.ndimage.interpolation.map_coordinates.html

http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.RegularGridInterpolator.html

https://github.com/rncarpio/linterp/

비정형 (산란) 그리드 :

http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.LinearNDInterpolator.html#scipy.interpolate.LinearNDInterpolator

http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.griddata.html

http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.Rbf.html

보간을 포함하는 2 개의 큰 프로젝트 :

https://github.com/sloriot/cgal-bindings(CGAL의 일부, 라이센스가 부여 된 GPL / LGPL)

https://www.earthsystemcog.org/projects/esmp/ (일리노이 대학 NCSA 라이센스 ~ = MIT + BSD-3)

스파 스 그리드 :

https://github.com/EconForge/Smolyak

https://github.com/EconForge/dolo/tree/master/dolo/numeric/interpolation

http://people.sc.fsu.edu/~jburkardt/py_src/sparse_grid/sparse_grid.html

https://aerodynamics.lr.tudelft.nl/~rdwight/work_sparse.html

https://pypi.python.org/pypi/puq

Kriging (가우스 프로세스) :

http://scikit-learn.org/stable/modules/generated/sklearn.gaussian_process.GaussianProcess.html

https://github.com/SheffieldML/GPy

https://software.sandia.gov/svn/surfpack/trunk/

http://openmdao.org/dev_docs/_modules/openmdao/lib/surrogatemodels/kriging_surrogate.html

일반 GPL 라이센스 :

https://github.com/rncarpio/delaunay_linterp

태즈 매니아

적응 형 확률 적 모델링 및 비 침입 근사를위한 툴킷은 매개 변수 보정뿐만 아니라 고차원 통합 및 보간을위한 강력한 라이브러리입니다.

태즈 매니아의 파이썬 바인딩 :

https://github.com/rncarpio/py_tsg

https://github.com/sloriot/cgal-bindings(CGAL의 일부, 라이센스가 부여 된 GPL / LGPL)