Rappelons que dorénavant les programmes commencent tous par :

#!/usr/bin/python3

import numpy as np
import matplotlib.pyplot as plt

Interpolation à une dimension

Nous disposons de n points M de coordonnées
(xpi, ypi)0 ≤ i ≤ n – 1. Nous supposons que ces
points décrivent une fonction continue ƒ et nous
voulons connaître une approximation de ƒ(x) pour
un point x quelconque. Les méthodes
d'interpolation utilisent des fonctions qui passent
exactement par les points (xpi, ypi). Entre ces
points, c'est-à-dire pour une valeur de x comprise
entre deux valeurs xpi et xpi + 1, on utilise
typiquement une des solutions suivantes :

on détermine le xpj le plus proche de x Trois procédés d'interpolation.

et l'on prend y = ypj ce qui donne une
fonction en escalier ;
on trace un segment de droite entre
(xpi, ypi) et (xpi + 1, ypi + 1), le point (x, y)
est situé sur ce segment de droite ;
c'est la méthode d'interpolation
linéaire, la fonction est affine par
parties, son graphe est un polygone
ouvert ;
on utilise le polynôme de degré n – 1
passant pour tous les points, le point
(x, y) est situé sur ce polynôme ;
on utilise des splines (cerces), des
polynômes par partie, en général de
degré 2 ou 3, dont les dérivées sont
raccordées.

En dehors de l'intervalle [xp 0 ; xp n – 1], on peut

extrapoler les valeurs de la manière suivante :

pas d'extrapolation, la fonction retourne Interpolation linéaire avec trois manières d'extrapoler :
des valeurs NaN ; avec une valeur constante ;
extrapolation par une valeur constante,
extrapolation périodique ;
soit la valeur la plus proche (xp 0 à
extrapolation linéaire.
gauche, xp n – 1 à droite), soit une
 valeur fixée arbitrairement (éventuellement 0) ;
soit en prolongeant la fonction avec la loi sur le segment [xp 0 ; xp 1] à gauche, [xp n – 2 ; xp n
– 1] à droite ;
soit en considérant que la fonction est périodique de période xp n – 1 – xp 0.

La fonction numpy.interp()

La fonction np.interp() permet de faire des interpolations linéaires :

y = np.interp(x, xp, yp)

où

xp et yp sont des séquences (vecteurs, listes, n-uplets) de réels, la liste des points
décrivant la fonction ;
x est la séquence de valeurs auxquelles on s'intéresse.

Par défaut, l'extrapolation se fait par des valeurs constantes, yp 0 et yp n – 1. On peut indiquer que la fonction
a une période avec l'argument period. Par exemple :

import numpy as np
import matplotlib.pyplot as plt

# **********************
# * numpy.interp() *
# * avec option period *
# **********************

xp = np.linspace(0, 2*np.pi, 5) # Cinq points

yp = np.sin(xp)

x = np.linspace(-2*np.pi, 4*np.pi, 25)

y = np.interp(x, xp, yp, period=2*np.pi) # interpolation

linéaire

plt.plot(x, y, "y-")
plt.plot(xp, yp, "r+")

Le module scipy.interpolate

Le module SciPy fournit d'autres méthodes. Pour cela, il faut charger le module :

from scipy import interpolate

La fonction

Quatre procédures d'interpolation polynomiale.

interpolate.interp1d() (interpolation à une dimension, l'avant-dernière lettre est le chiffre 1)

crée une fonction d'interpolation. Pour avoir une interpolation linéaire comme précédemment, on écrit :

f = interpolate.interp1d(xp, yp)
y = f(x)

On peut autoriser l'extrapolation linéaire avec l'option

fill_value="extrapolate"

Pour extrapoler avec une valeur constante, par exemple des zéros, il faut utiliser deux paramètres :

fill_value=0, bounds_error=False

En absence de ces paramètres, une valeur de x en dehors de l'intervalle des xp génère une erreur. Si l'on
veut extrapoler avec les valeurs aux extrémités, on écrit :

fill_value=(yp[0], yp[-1]), bounds_error=False

Cette fonction propose d'autre méthodes d'interpolation : avec l'option kind= :

"linear" : méthode par défaut ;

"nearest" : renvoie la valeur de yp correspondant au xp le plus proche ;
"zero" : fait une interpolation par une spline d'ordre 0 ;
"slinear" : " par une spline d'ordre 1 ;
"quadratic" : " par une spline d'ordre 2 ;
"cubic" : " par une spline d'ordre 3.

Par exemple :

interpolate.interp1d(xp, yp, fill_value="extrapolate",

kind="nearest")
La classe interpolate.BarycentricInterpolator correspond à une fonction polynôme
passant par un ensemble de points (xp, yp) :

f = interpolate.BarycentricInterpolator(xp, yp)
y = f.__call__(x)

On a le même résultat avec la fonction interpolate.barycentric_interpolate() :

y = interpolate.barycentric_interpolate(xp, yp, x)

La classe interpolate.KroghInterpolator et la fonction

interpolate.krogh_interpolate() permettent de fixer les dérivées successives du
polynôme : pour définir la dérivée au point i, il suffit de mettre deux fois la valeur xpi dans le vecteur xp, et
de mettre ypi, y’pi dans le vecteur yp. Si une valeur xpi figure n fois, on définit les dérivées jusqu'à l'ordre n
– 1.

f = interpolate.KroghInterpolator(xp, yp)
y = f.__call__(x)

y = interpolate.Krogh_interpolate(xp, yp, x)

On peut avoir la dérivée d'ordre n avec la syntaxe :

f = interpolate.KroghInterpolator(xp, yp)
y_n = f.derivative(x, n) # dérivée n-ième
y_N = f.derivatives(x, N) # dérivées première à n-ième ;
# notez le « s » au nom de la fonction

On peut avoir une interpolation par un polynôme cubique par parties PCHIP (piecewise cubic hermite
interpolating polynomial) avec la classe interpolate.PchipInterpolator ou la fonction
interpolate.pchip_interpolate() :

f = interpolate.PchipInterpolator(xp, yp) # renvoie NaN en cas

d'extrapolation
f = interpolate.PchipInterpolator(xp, yp, extrapolate=True) #
autorise l'extrapolation
y = f.__call__(x) # on peut ajouter extrapolate=True lors de
l'évaluation
y_n = f.__call__(x, n) # valeurs de la dérivée n-ième
f_n = f.derivative(n) # construit la fonction dérivée n-ième
F_n = f.antiderivative(n) # construit la n-ième primitive
racines = f.roots() # racines du polynôme
 y = interpolate.pchip_interpolate(xi, yi, x)
y_n = interpolate.pchip_interpolate(xi, yi, x, n) # dérivée n-
ième

La classe interpolate.Akima1DInterpolator définit une fonction d'interpolation selon la

méthode Akima : elle construit des sous-splines à partir de polynômes cubiques par partie :

f = interpolate.Akima1DInterpolator(xp, yp)
y = f.__call__(x)
f_n = f.derivative(n) # construit la fonction dérivée n-ième
F_n = f.antiderivative(n) # construit la n-ième primitive
racines = f.roots() # racines du polynôme

Voici à titre d'exemple le code source de l'image ci-contre.

Code source

import numpy as np
from scipy import interpolate
import matplotlib.pyplot as plt

xp = np.linspace(0, 2*np.pi, 5)
yp = np.sin(xp)

# ***************
# * CubicSpline *
# ***************

finterpa = interpolate.CubicSpline(xp, yp)

xa = np.linspace(-0.5*np.pi, 2.5*np.pi, 57)

ya = finterpa(xa)

# **********************
# * Interp1d quadratic *
# **********************

finterpb = interpolate.interp1d(xp, yp, kind="quadratic",

fill_value="extrapolate")

xb = np.linspace(-0.5*np.pi, 2.5*np.pi, 49)

yb = finterpb(xb)

# *********
# * Pchip *
# *********

finterpf = interpolate.PchipInterpolator(xp, yp)

 xf = np.linspace(-0.5*np.pi, 2.5*np.pi, 49)
yf = finterpf.__call__(xf)

# ***********
# * Akima1D *
# ***********

finterpg = interpolate.Akima1DInterpolator(xp, yp)

finterpg.extrapolate = True

xg = np.linspace(-0.9*np.pi, 2.9*np.pi, 97)

yg = finterpg.__call__(xg)

# *********
# * Tracé *
# *********

fig = plt.figure(figsize=[20, 12])

plt.plot(xb, yb, label="interp1d quadratic")

plt.plot(xa, ya, label="CubicSpline")
plt.plot(xf, yf, label="PchipInterpolator")
plt.plot(xg, yg, label="Akima1DInterpolator")

plt.plot(xp, yp, "k+", markersize=16, markeredgewidth=1.5)

plt.legend()

plt.savefig("comparaison_interpolation_scipy_interpolate_polynomes.svg
", format="svg")

print("CubicSpline == interp1d cubic == BarycentricInterpolator ==

KroghInterpolator == splrep PPoly")

Lissage

Avec le module scipy.signal

La bibliothèque SciPy dispose de fonctions de traitement du signal, dont des fonctions de lissage.

La fonction la plus simple est scipy.signal.medfilt(y, h) qui, pour chaque point du tenseur
y, calcule la médiane sur une fenêtre de largeur h points ; la valeur par défaut pour la fenêtre est h = 3. Par
exemple, pour une courbe (filtrage d'un tenseur d'ordre 1) :

import numpy as np
import scipy.signal as signal
import matplotlib.pyplot as plt

epsilon = 0.05 # amplitude du bruit

x =
np.ara
nge(0,
1,
0.02)
#
points
d'absc
isse

#
Généra
tion
d'un
signal
gaussi
en Comparaison des filtres médian, de Savitzky-Golay, de Butterworth et de Fourier mis en
bruité œuvre dans la bibliothèque SciPy pour Python.
y =
0.1*np
.exp(-
(10*(x
- 1)*x
+
0.125)
) +
epsilo
n*np.r
andom.
normal
(x)

#
Lissag
e
ylisse
=
signal
.medfi
lt(y,
7)

#
Affich
age
fig =
plt.fi
gure(f
igsize
 = [10, 6])
plt.plot(x, y, "b.")
plt.plot(x, ylisse, "k-", linewidth="0.5")

Ce module dispose également d'un filtre de Savitzky-Golay : scipy.signal.savgol_filter(y,

h, p) effectue un lissage avec une fenêtre de largeur h et un polynôme de degré p. Dans l'exemple ci-
dessus, pour filtrer avec un polynôme de degré 3 et une fenêtre de largeur 7 points, on écrit :

# Lissage
ylisse = signal.savgol_filter(y, 7, 3)

L'algorithme permet également d'obtenir une dérivée n-ième (n inférieur à p) avec la syntaxe
scipy.signal.savgol_filter(y, h, p,n )

Le lissage peut être vu comme un filtre passe-bas : le bruit correspond à des fréquences élevées. On peut
donc utiliser d'autres fonctions de filtre.

Un des plus simples est le filtre de Butterworth. Il faut dans un premier temps générer les caractéristiques du
filtre, avec la fonction scipy.signal.butter() ; puis déterminer les conditions initiales du filtre
avec scipy.signal.lfilter_zi() ; enfin appliquer ce filtre au signal avec la fonction
scipy.signal.lfilter(). Un filtre de Butterworth a deux paramètres :

l'ordre, qui détermine la vitesse d'atténuation lorsque la fréquence s'élève ; un filtre d'ordre
1 décroît à –6 dB/octave, un filtre d'ordre 2 à –12 dB/octave, etc.
la fréquence de coupure ws ; on doit avoir 0 < ws < 1 (1 est la fréquence de Nyquist).

Par exemple :

# Lissage
(b, a) = signal.butter(2, 0.3)
zi = signal.lfilter_zi(b, a)
ylisse = signal.lfilter(b, a, y, zi=zi*y[0])

Si l'on veut donner un sens physique à la fréquence de coupure, il faut préciser la fréquence
d'échantillonnage ƒs (sample frequency) ; la fréquence de coupure ws est alors exprimée dans la même unité
et l'on doit avoir 0 < ws < ƒs. La fréquence ws correspond à une atténuation d'un facteur .

Dans l'exemple précédent, nous avons len(y) = 50 points ; en supposant que la fenêtre représente une
seconde, nous avons une fréquence d'échantillonnage de ƒs = 50/1 = 50. Si nous voulons filtrer des
phénomènes qui se répètent cinq fois dans la fenêtre, nous prenons ws = 5 et donc nous générons le filtre de
Butterworth d'ordre 1 par :
 # Lissage
(b, a) = signal.butter(1, 5, fs=len(y))
...

Avec le module scipy.fft

Puisque le lissage est essentiellement un filtre passe-bas, nous pouvons envisager d'utiliser la transformée de
Fourier et de mettre à 0 les fréquences élevées du spectre avant de faire la transformée de Fourier inverse.
Le plus simple et le plus rapide consiste à utiliser la transformée de Fourier rapide (FFT, fast Fourier
transform). La fonction scipy.fft.fft() mise en œuvre dans le module fft de SciPy place
cependant les fréquences élevées au centre du spectre ; pour faciliter le filtrage, il faut décaler les
coefficients (shift) pour mettre les fréquences élevées à l'extérieur (au début et à la fin du vecteur), on peut
ainsi facilement les mettre à 0 par tranchage (slicing). Cela utilise les fonctions
scipy.fft.fftshift() pour réordonner les coefficients, puis scipy.fft.ifftshift()
pour les remettre dans l'ordre initial.

Le code de base est donc :

import scipy.fft as fft

# Lissage
ff = fft.fftshift(fft.fft(y))) # calcule la transformée de
Fourier rapide et ordonne les coefficients
ff[-25:] = 0 # atténuation du spectre aux extrémités
ff[:25] = 0
ylissef = fft.ifft(fft.ifftshift(ff)) # réordonne les
coefficients et calcule transformée de Fourier inverse

Par ailleurs, la transformée de Fourier rapide est plus efficace pour certaines longueurs de signal. La
fonction scipy.fft.next_fast_len() permet de trouver la longueur de signal optimale la plus
proche. Le code optimisé devient donc :

# Lissage
L = len(y) # calcule la longueur du signal
ff = fft.fftshift(fft.fft(y, fft.next_fast_len(L, real=True))) #
calcule la transformée de Fourier rapide de manière optimisée
# en ajoutant des 0 en queue de signal, et ordonne les
coefficients
ff[-25:] = 0 # atténuation du spectre aux extrémités
ff[:25] = 0
ylissef = fft.ifft(fft.ifftshift(ff))[:L] # réordonne les
coefficients et calcule la transformée de Fourier inverse,
# et élimine les 0 ajoutés artificiellement pour optimiser
Dans le cas présent, le signal est à valeurs réelles et non pas complexes. Nous pouvons donc utiliser les
fonctions scipy.fft.rfft() et scipy.fft.irfft(). Dans ce cas-là, la transformée de Fourier
n'a pas de coefficients à indice négatif, il suffit donc de mettre à zéro les derniers coefficients, sans avoir
besoin de changer leur ordre. Le code est alors :

# Lissage
L = len(y) # calcule la longueur du signal
ff = fft.rfft(y, fft.next_fast_len(L, real=True)) # calcule la
transformée de Fourier rapide de manière optimisée
# en ajoutant des 0 en queue de signal
ff[-25:] = 0 # atténuation du spectre à la fin
ylissef = fft.irfft(ff)[:L] # calcule la transformée de Fourier
inverse,
# et élimine les 0 ajoutés artificiellement pour optimiser

Remarque : la bibliothèque numpy dispose également d'un moule fft qui reprend les fonctions de
scipy.fft. Cependant, Il ne dispose pas de toutes les fonctions, il manque en particulier les
fonctions d'optimisation (fft.next_fast_len()) et de réordonnancement
(fft.fftshift() et fft.ifftshift()).

Notes et références

Statistiques < ↑ > Régression et optimisation

Récupérée de « https://fr.wikibooks.org/w/index.php?
title=Python_pour_le_calcul_scientifique/Interpolation,_extrapolation_et_lissage&oldid=703324 »

La dernière modification de cette page a été faite le 25 juillet 2023 à 03:53.

Les textes sont disponibles sous licence Creative Commons attribution partage à l’identique ; d’autres termes
peuvent s’appliquer.
Voyez les termes d’utilisation pour plus de détails.