及时均匀地重新采样位置的时间序列
Resample time-series of position evenly in time
正如地球科学中经常发生的那样，我有一个时间序列的位置 (lon,lat)。时间序列的时间间隔不均匀。时间采样看起来像：
t_diff_every_position = [3.99, 1.00, 3.00, 4.00, 3.98, 3.99, ... ]
而且我有与每个 t 关联的职位 :
lat = [77.0591, 77.0547, 77.0537, 74.6766, 74.6693, 74.6725, ... ]
lon = [-135.2876, -135.2825, -135.2776, -143.7432, -143.7994,
-143.8582, ... ]
我想对位置重新采样以使数据集在时间上均匀分布。所以我希望时间向量看起来像：
t_resampled = [4.00, 4.00, 4.00, 4.00, 4.00, 4.00, ... ]
并从插值中获得关联位置。
位置不遵循单调函数，所以我不能使用 scipy 中常用的重采样和插值函数。 Positions with time
有人知道如何实现吗？
一种方法是分别对经度和纬度进行插值。下面是一些模拟数据的示例。
假设我们有 100 个经度 (lon)、纬度 (lat) 和时间戳 (t)。时间不规律：
>>> t
array([ 0. , 1.09511126, 1.99576514, 2.65742629, 3.35929893,
4.1379694 , 5.55703942, 6.52892196, 7.64924527, 8.60496239])
这些坐标绘制的路径看起来像：
我们使用scipy的interp1d分别对纬度和经度进行线性插值：
from scipy.interpolate import interp1d
f_lon = interp1d(t, lon)
f_lat = interp1d(t, lat)
然后我们制作一个常规时间戳数组，[1, 2, 3, ..., 100]，并重新采样我们的纬度和经度：
reg_t = np.arange(0, 99)
reg_lon = f_lon(reg_t)
reg_lat = f_lat(reg_t)
下图显示了在规则间隔 np.arange(0, 99, 5) 上进行插值的结果。这是一个比您想要的更粗略的间隔，因为如果使用更精细的间隔，很难看出每个图中实际上有两个函数。
正如地球科学中经常发生的那样，我有一个时间序列的位置 (lon,lat)。时间序列的时间间隔不均匀。时间采样看起来像：
t_diff_every_position = [3.99, 1.00, 3.00, 4.00, 3.98, 3.99, ... ]
而且我有与每个 t 关联的职位 :
lat = [77.0591, 77.0547, 77.0537, 74.6766, 74.6693, 74.6725, ... ]
lon = [-135.2876, -135.2825, -135.2776, -143.7432, -143.7994,
-143.8582, ... ]
我想对位置重新采样以使数据集在时间上均匀分布。所以我希望时间向量看起来像：
t_resampled = [4.00, 4.00, 4.00, 4.00, 4.00, 4.00, ... ]
并从插值中获得关联位置。
位置不遵循单调函数，所以我不能使用 scipy 中常用的重采样和插值函数。 Positions with time
有人知道如何实现吗？
一种方法是分别对经度和纬度进行插值。下面是一些模拟数据的示例。
假设我们有 100 个经度 (lon)、纬度 (lat) 和时间戳 (t)。时间不规律：
>>> t
array([ 0. , 1.09511126, 1.99576514, 2.65742629, 3.35929893,
4.1379694 , 5.55703942, 6.52892196, 7.64924527, 8.60496239])
这些坐标绘制的路径看起来像：
我们使用scipy的interp1d分别对纬度和经度进行线性插值：
from scipy.interpolate import interp1d
f_lon = interp1d(t, lon)
f_lat = interp1d(t, lat)
然后我们制作一个常规时间戳数组，[1, 2, 3, ..., 100]，并重新采样我们的纬度和经度：
reg_t = np.arange(0, 99)
reg_lon = f_lon(reg_t)
reg_lat = f_lat(reg_t)
下图显示了在规则间隔 np.arange(0, 99, 5) 上进行插值的结果。这是一个比您想要的更粗略的间隔，因为如果使用更精细的间隔，很难看出每个图中实际上有两个函数。