Hướng dẫn image interpolation python - trăn nội suy hình ảnh

Bài viết này đã được xuất bản như một phần của & NBSP; Data Science Blogathon

Nội phân chính

• Giới thiệu
• Mục lục
• Khi nào sử dụng phép nội suy
• Sử dụng phép nội suy để điền các giá trị bị thiếu trong dữ liệu loạt
• 1] Nội suy tuyến tính
• 2] Nội suy đa thức
• 3] Nội suy thông qua đệm
• Sử dụng phép nội suy để điền các giá trị bị thiếu trong Pandas DataFrame
• 1] Nội suy tuyến tính theo hướng chuyển tiếp
• 2] Nội suy tuyến tính theo hướng lạc hậu
• 3] Nội suy với đệm
• Điền vào các giá trị bị thiếu trong dữ liệu chuỗi thời gian
• Điền vào các giá trị bị thiếu trong phương thức chuyển tiếp và lùi
• Làm thế nào để bạn nội suy trong Python?
• Nội suy có nghĩa là gì trong Python?
• Làm thế nào để bạn sử dụng phép nội suy tuyến tính trong Python?
• Làm thế nào để tôi sử dụng phép nội suy numpy?

Nội phân chính

• Giới thiệu
• Mục lục
• Khi nào sử dụng phép nội suy
• Sử dụng phép nội suy để điền các giá trị bị thiếu trong dữ liệu loạt
• 1] Nội suy tuyến tính
• 2] Nội suy đa thức
• 3] Nội suy thông qua đệm
• Sử dụng phép nội suy để điền các giá trị bị thiếu trong Pandas DataFrame
• 1] Nội suy tuyến tính theo hướng chuyển tiếp
• 2] Nội suy tuyến tính theo hướng lạc hậu
• 3] Nội suy với đệm
• Điền vào các giá trị bị thiếu trong dữ liệu chuỗi thời gian
• Điền vào các giá trị bị thiếu trong phương thức chuyển tiếp và lùi
• Làm thế nào để bạn nội suy trong Python?
• Nội suy có nghĩa là gì trong Python?
• Làm thế nào để bạn sử dụng phép nội suy tuyến tính trong Python?
• Làm thế nào để tôi sử dụng phép nội suy numpy?

Nội phân chính

• Giới thiệu
• Mục lục
• Khi nào sử dụng phép nội suy
• Sử dụng phép nội suy để điền các giá trị bị thiếu trong dữ liệu loạt
• 1] Nội suy tuyến tính
• 2] Nội suy đa thức
• 3] Nội suy thông qua đệm
• Sử dụng phép nội suy để điền các giá trị bị thiếu trong Pandas DataFrame
• 1] Nội suy tuyến tính theo hướng chuyển tiếp
• 2] Nội suy tuyến tính theo hướng lạc hậu
• 3] Nội suy với đệm
• Điền vào các giá trị bị thiếu trong dữ liệu chuỗi thời gian
• Điền vào các giá trị bị thiếu trong phương thức chuyển tiếp và lùi
• Làm thế nào để bạn nội suy trong Python?
• Nội suy có nghĩa là gì trong Python?
• Làm thế nào để bạn sử dụng phép nội suy tuyến tính trong Python?
• Làm thế nào để tôi sử dụng phép nội suy numpy?

Giới thiệu

Ita điểm. Nội suy hầu hết được sử dụng để áp đặt các giá trị bị thiếu trong DataFrame hoặc Sê -ri trong khi xử lý trước dữ liệu.

Nội suy cũng được sử dụng trong xử lý hình ảnh khi mở rộng hình ảnh, bạn có thể ước tính giá trị pixel với sự trợ giúp của các pixel lân cận.

Mục lục

• Khi nào nên sử dụng phép nội suy?
• Nội suy để điền các giá trị bị thiếu trong dữ liệu loạt
  • Phép nội suy tuyến tính
  • Nội suy đa thức
  • Nội suy thông qua đệm
• Nội suy để điền các giá trị bị thiếu trong DataFrame
  • Phương pháp tuyến tính
  • Hướng lạc hậu
  • Nội suy thông qua đệm
• Điền vào các giá trị bị thiếu trong dữ liệu chuỗi thời gian
• Điền vào các giá trị bị thiếu trong phương thức chuyển tiếp và lùi

Khi nào sử dụng phép nội suy

Làm thế nào để bạn nội suy trong Python?

Nội suy có nghĩa là gì trong Python?

Sử dụng phép nội suy để điền các giá trị bị thiếu trong dữ liệu loạt

Làm thế nào để bạn sử dụng phép nội suy tuyến tính trong Python?

import pandas as pd
import numpy as np
a = pd.Series[[0, 1, np.nan, 3, 4, 5, 7]]

1] Nội suy tuyến tính

Làm thế nào để tôi sử dụng phép nội suy numpy?

Ita điểm. Nội suy hầu hết được sử dụng để áp đặt các giá trị bị thiếu trong DataFrame hoặc Sê -ri trong khi xử lý trước dữ liệu.

0    0.0
1    1.0
2    2.0
3    3.0
4    4.0
5    5.0
6    7.0

Nội suy cũng được sử dụng trong xử lý hình ảnh khi mở rộng hình ảnh, bạn có thể ước tính giá trị pixel với sự trợ giúp của các pixel lân cận.

2] Nội suy đa thức

Khi nào nên sử dụng phép nội suy?

a.interpolate[method="polynomial", order=2]

Nếu bạn chuyển một đơn đặt hàng là 1 thì đầu ra sẽ tương tự như tuyến tính vì đa thức của thứ tự 1 là tuyến tính.

3] Nội suy thông qua đệm

Nội suy với sự trợ giúp của đệm chỉ đơn giản là điền vào các giá trị bị thiếu với cùng một giá trị hiện diện ở trên chúng trong bộ dữ liệu. Nếu giá trị bị thiếu ở hàng đầu tiên thì phương pháp này sẽ không hoạt động. Trong khi sử dụng kỹ thuật này, bạn cũng cần chỉ định giới hạn có nghĩa là có bao nhiêu giá trị NAN để điền.

Vì vậy, nếu bạn đang làm việc trong một dự án trong thế giới thực và muốn điền các giá trị bị thiếu bằng các giá trị trước đó, bạn phải chỉ định giới hạn về số lượng hàng trong tập dữ liệu.

a.interpolate[method="pad", limit=2]

Bạn sẽ thấy đầu ra đến như dưới đây.

0    0.0
1    1.0
2    1.0
3    3.0
4    4.0
5    5.0
6    7.0

Giá trị bị thiếu được thay thế bằng cùng giá trị như hiện tại với nó.

Sử dụng phép nội suy để điền các giá trị bị thiếu trong Pandas DataFrame

DataFrame là một cấu trúc dữ liệu Python được sử dụng rộng rãi, lưu trữ dữ liệu dưới dạng các hàng và cột. Khi thực hiện phân tích dữ liệu, chúng tôi luôn lưu trữ dữ liệu trong một bảng được gọi là DataFrame. DataFrame có thể chứa các giá trị bị thiếu lớn trong nhiều cột, vì vậy hãy cho chúng tôi hiểu cách chúng ta có thể sử dụng phép nội suy để điền vào các giá trị bị thiếu trong DataFrame.

import pandas as pd
# Creating the dataframe
df = pd.DataFrame[{"A":[12, 4, 7, None, 2],
                   "B":[None, 3, 57, 3, None],
                   "C":[20, 16, None, 3, 8],
                   "D":[14, 3, None, None, 6]}]

1] Nội suy tuyến tính theo hướng chuyển tiếp

Phương pháp tuyến tính bỏ qua chỉ số và coi các giá trị bị thiếu là cách đều nhau và tìm điểm tốt nhất để phù hợp với giá trị bị thiếu sau các điểm trước. Nếu giá trị bị thiếu ở chỉ số đầu tiên thì nó sẽ để nó là NAN. Hãy để áp dụng nó cho DataFrame của chúng tôi.

df.interpolate[method ='linear', limit_direction ='forward']

Đầu ra bạn có thể quan sát trong hình dưới đây.

Nếu bạn chỉ muốn thực hiện phép nội suy trong cột đơn thì nó cũng đơn giản và tuân theo mã dưới đây.

df['C'].interpolate[method="linear"]

2] Nội suy tuyến tính theo hướng lạc hậu

Bây giờ, phương pháp là như nhau, chỉ có thứ tự chúng tôi muốn thực hiện các thay đổi. Bây giờ phương pháp sẽ hoạt động từ cuối của DataFrame hoặc hiểu nó như là một cách tiếp cận từ dưới lên hàng đầu.

df.interpolate[method ='linear', limit_direction ='backward']

Bạn sẽ nhận được đầu ra giống như trong hình dưới đây.

3] Nội suy với đệm

Chúng tôi đã thấy rằng để sử dụng đệm, chúng tôi phải chỉ định giới hạn của các giá trị NAN sẽ được lấp đầy. Chúng tôi có tối đa 2 giá trị NAN trong khung dữ liệu nên giới hạn của chúng tôi sẽ là 2.

df.interpolate[method="pad", limit=2]

Sau khi chạy mã trên, nó sẽ điền các giá trị bị thiếu bằng các giá trị hiện tại trước đó và cung cấp đầu ra như trong hình bên dưới.

Điền vào các giá trị bị thiếu trong dữ liệu chuỗi thời gian

Dữ liệu chuỗi thời gian là dữ liệu theo một số xu hướng hoặc thời vụ đặc biệt. Phân tích dữ liệu chuỗi thời gian khác một chút so với các khung dữ liệu thông thường. Bất cứ khi nào chúng tôi có dữ liệu chuỗi thời gian, sau đó để đối phó với các giá trị bị thiếu, chúng tôi không thể sử dụng các kỹ thuật cắt bỏ trung bình. Nội suy là một phương pháp mạnh mẽ để điền vào các giá trị bị thiếu trong dữ liệu chuỗi thời gian.

0    0.0
1    1.0
2    2.0
3    3.0
4    4.0
5    5.0
6    7.0

Điền vào các giá trị bị thiếu trong phương thức chuyển tiếp và lùi

Phương pháp đơn giản nhất để lấp đầy các giá trị bằng cách sử dụng nội suy giống như chúng tôi áp dụng trên một cột của DataFrame.

0    0.0
1    1.0
2    2.0
3    3.0
4    4.0
5    5.0
6    7.0

Nhưng phương thức không được sử dụng khi chúng ta có cột ngày vì chúng ta sẽ điền các giá trị bị thiếu theo ngày có ý nghĩa trong khi điền vào các giá trị bị thiếu trong dữ liệu chuỗi thời gian.

0    0.0
1    1.0
2    2.0
3    3.0
4    4.0
5    5.0
6    7.0

Mã tương tự với một vài sửa đổi có thể được sử dụng như một phần chắp lại để điền vào các giá trị bị thiếu theo hướng ngược.

0    0.0
1    1.0
2    2.0
3    3.0
4    4.0
5    5.0
6    7.0

Kết thúc

Chúng tôi đã học các phương pháp khác nhau để sử dụng chức năng nội suy trong Python để điền vào các giá trị bị thiếu theo chuỗi cũng như trong DataFrame. Nội suy trong hầu hết các trường hợp được cho là kỹ thuật tốt nhất để lấp đầy các giá trị bị thiếu. Tôi hy vọng bạn đã biết sức mạnh của phép nội suy và hiểu cách sử dụng nó. Nếu bạn có bất kỳ loại truy vấn nào sử dụng chức năng Interpolate, vui lòng đặt nó xuống trong phần bình luận, tôi sẽ hạnh phúc hơn để giúp bạn ra ngoài.

Các phương tiện truyền thông được hiển thị trong bài viết này không thuộc sở hữu của Analytics Vidhya và được sử dụng theo quyết định của tác giả.