Yhteenveto

KuvausShepard interpolation 1 dimension.png	English: This is a result from the shepard method applied to a 1 dimension function.
Päiväys	10. toukokuuta 2012
Lähde	At IST (Lisbon, PT) with ubuntu+python+numpy+matplotlib   Tämä PNG tietokonegrafiikka luotiin käyttäen apuna ohjelmaa Matplotlib.
Tekijä	Fmafunenga

Lisenssi

Minä, tämän teoksen tekijänoikeuksien haltija, julkaisen täten tämän teoksen seuraavilla lisensseillä:

Voit kopioida, levittää ja/tai muuttaa tätä asiakirjaa GNU Free Documentation License -lisenssin version 1.2 tai minkä tahansa Free Software Foundationin julkaiseman myöhemmän version ehtojen alaisena; ei koske muuttumattomia kohtia, etukannen tekstejä eikä takakannen tekstejä. Kopio tästä lisenssistä on saatavilla osiossa GNU Free Documentation License.http://www.gnu.org/copyleft/fdl.htmlGFDLGNU Free Documentation Licensetruetrue

Tämä tiedosto on lisensoitu Creative Commons Nimeä-JaaSamoin 3.0 Ei sovitettu -lisenssillä.

Voit:

• jakaa – kopioida, levittää ja esittää teosta
• remiksata – valmistaa muutettuja teoksia

Seuraavilla ehdoilla:

• nimeäminen – Sinun on mainittava lähde asianmukaisesti, tarjottava linkki lisenssiin sekä merkittävä, mikäli olet tehnyt muutoksia. Voit tehdä yllä olevan millä tahansa kohtuullisella tavalla, mutta et siten, että annat ymmärtää lisenssinantajan suosittelevan sinua tai teoksen käyttöäsi.
• jaa samoin – Jos muutat tai perustat tähän työhön, voit jakaa tuloksena syntyvää työtä vain tällä tai tämän kaltaisella lisenssillä.

https://creativecommons.org/licenses/by-sa/3.0CC BY-SA 3.0 Creative Commons Attribution-Share Alike 3.0 truetrue

Voit valita haluamasi lisenssin.

Source code

The python code (numpy archive copy at the Wayback Machine, matplotlib) used to create this image:

import numpy as np
import matplotlib.pyplot as plt

def weight( pointA, pointB ):
	p = 2.0 #this is the power parameter
	rst = ( 1.0/( abs(pointA-pointB)**p ) )
	return rst

def idw( xi, ui ):
	xidw = np.arange(-4.0, 9.0, 0.01)
	uidw = np.arange(-4.0, 9.0, 0.01)
	for idx in range(len(xidw)):
		denum = 0.0 ; num = 0.0
		for i in range(len(xi)):
			w      = weight( xidw[idx], xi[i] )
			denum += w
			num   += w*ui[i]
		uidw[idx] = num / denum
	return xidw, uidw

if __name__ == "__main__":
	xi = [0.0, 1.0, 4.0, 5.0]
	yi = [1.0, 2.0, 2.0, 1.0]
	xidwr, yidwr = idw( xi, yi )
	
	plt.plot( xi, yi, "ok",ms=10, lw=2, label="Samples" )
	plt.plot( xidwr, yidwr, "-", label="IDW" )
	plt.title( r"Shepard's interpolation in 1 dimension: $p=2$" )
	plt.xlim((-4.1,9.1)) ; plt.xlabel(r"X")
	plt.ylim((0.9,2.1)) ; plt.ylabel(r"U")
	plt.legend() ; plt.grid() ; plt.show()