در این مطلب، ویدئو Interp2d: نحوه انجام درونیابی دو بعدی با استفاده از SciPy در پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:04:26
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,240 –> 00:00:01,920
به سگ های بزرگ خوش آمدید امروز می خواهم به
2
00:00:01,920 –> 00:00:03,120
شما نشان دهم که چگونه
3
00:00:03,120 –> 00:00:06,080
با استفاده از بسته scipy در پایتون، درون یابی دو بعدی انجام دهید،
4
00:00:06,080 –> 00:00:07,440
5
00:00:07,440 –> 00:00:09,040
بنابراین
6
00:00:09,040 –> 00:00:10,960
روز قبل مجبور شدم برخی از مقادیر را در
7
00:00:10,960 –> 00:00:13,519
جدولی که در اینجا نشان داده شده است، درون یابی
8
00:00:13,519 –> 00:00:15,920
کنم
9
00:00:15,920 –> 00:00:18,000
10
00:00:18,000 –> 00:00:19,760
. جهت و سپس جهت y
11
00:00:19,760 –> 00:00:22,000
در اینجا و سپس مجبور شدم
12
00:00:22,000 –> 00:00:24,560
بین مقادیر داده شده در این جدول درون یابی
13
00:00:24,560 –> 00:00:26,640
کنم و انجام آن در اکسل سخت بود،
14
00:00:26,640 –> 00:00:29,039
بنابراین برخی چیزها را در پایتون تحقیق کردم و
15
00:00:29,039 –> 00:00:31,439
یاد گرفتم که تابع interp 2d می تواند
16
00:00:31,439 –> 00:00:33,120
دقیقاً این
17
00:00:33,120 –> 00:00:35,200
کار را انجام دهد. به شما نشان خواهم داد که چگونه می توانید
18
00:00:35,200 –> 00:00:37,680
چیزی شبیه به این را برنامه ریزی کنید، یک مشکل مثال،
19
00:00:37,680 –> 00:00:39,840
زیرا این برنامه
20
00:00:39,840 –> 00:00:41,680
نه تنها در مهندسی، بلکه در سایر
21
00:00:41,680 –> 00:00:43,680
رشته ها نیز کاربرد دارد،
22
00:00:43,680 –> 00:00:46,000
بنابراین اولین کاری که انجام دادم این بود
23
00:00:46,000 –> 00:00:49,039
که بسته numpy و سپس interp 2d را
24
00:00:49,039 –> 00:00:51,600
که در scipy ما یافت می شود، وارد کردم.
25
00:00:51,600 –> 00:00:53,760
بسته در
26
00:00:53,760 –> 00:00:54,960
پایتون کار بعدی که
27
00:00:54,960 –> 00:00:56,399
انجام دادم این بود
28
00:00:56,399 –> 00:00:59,440
که لیستی ایجاد کردم بنابراین لیست من
29
00:00:59,440 –> 00:01:01,760
مقادیر x و مقادیر y من بود بنابراین مقادیر x من
30
00:01:01,760 –> 00:01:03,199
این مقادیر
31
00:01:03,199 –> 00:01:04,799
دقیقاً در اینجا به
32
00:01:04,799 –> 00:01:08,320
صورت افقی از 0 تا 1 جدول بندی شده بودند و
33
00:01:08,320 –> 00:01:11,280
مقادیر y من از 0.5 تا 1.5 جدول بندی شده اند،
34
00:01:11,280 –> 00:01:12,400
35
00:01:12,400 –> 00:01:14,080
بنابراین من فقط آن مقادیر را همانجا قرار دادم
36
00:01:14,080 –> 00:01:15,280
37
00:01:15,280 –> 00:01:17,280
و سپس کاری که انجام دادم این
38
00:01:17,280 –> 00:01:19,920
بود که یک آرایه numpy ایجاد کردم،
39
00:01:19,920 –> 00:01:20,640
بنابراین
40
00:01:20,640 –> 00:01:23,200
گاهی اوقات می توانید تابعی از x
41
00:01:23,200 –> 00:01:24,880
و y را ارائه دهید، اما در این مورد من فقط
42
00:01:24,880 –> 00:01:27,200
مقادیر جدول بندی شده داشتم. یک آرایه numpy
43
00:01:27,200 –> 00:01:28,960
44
00:01:28,960 –> 00:01:30,880
از 98.78
45
00:01:30,880 –> 00:01:33,759
تا 14.26 ایجاد کردم
46
00:01:33,759 –> 00:01:35,759
که این مقادیر را تماماً در بین داشت،
47
00:01:35,759 –> 00:01:36,640
بنابراین
48
00:01:36,640 –> 00:01:39,240
من فقط آن را با ردیف مشخص کردم، بنابراین از
49
00:01:39,240 –> 00:01:44,680
اینجا 98.78 را شروع کردم و به 49.35 رفتم
50
00:01:45,759 –> 00:01:49,119
و سپس به ردیف بعدی
51
00:01:49,119 –> 00:01:51,119
و سپس ردیف بعدی پایین رفتم. اگر
52
00:01:51,119 –> 00:01:52,560
آن آرایه را چاپ
53
00:01:52,560 –> 00:01:53,680
کنیم، احساسی از ظاهر آن به دست می آوریم،
54
00:01:53,680 –> 00:01:54,799
55
00:01:54,799 –> 00:01:57,520
بنابراین می توانید اینجا مقادیر من را ببینید،
56
00:01:57,520 –> 00:01:59,200
آنها دقیقاً همان مقادیر در این
57
00:01:59,200 –> 00:02:02,320
جدول هستند، در اینجا،
58
00:02:02,320 –> 00:02:05,040
بناب