SciPy 插值
本章目标
- 掌握
interp1d/make_interp_spline进行一维插值 - 学会使用
splrep/splev进行三次样条插值及求导 - 理解
RegularGridInterpolator的规则网格多维插值 - 了解
RBFInterpolator径向基函数插值处理散点数据
重点方法与概念速览
| 名称 | 类型 | 作用 |
|---|---|---|
interpolate.interp1d(x, y, kind) | 构造器 | 一维插值函数（线性/三次等） |
interpolate.make_interp_spline(x, y, k) | 函数 | B 样条插值（推荐替代 interp1d） |
interpolate.splrep(x, y, s) | 函数 | 三次样条拟合，返回 (t, c, k) |
interpolate.splev(x, tck, der) | 函数 | 计算样条值或导数 |
interpolate.RegularGridInterpolator(pts, vals) | 构造器 | 规则网格多维插值 |
interpolate.RBFInterpolator(y, d, kernel) | 构造器 | 径向基函数散点插值 |
1. 一维插值
interpolate.interp1d
作用
根据已知数据点构建插值函数，返回可调用对象。kind 参数控制插值类型：'linear'（线性）、'cubic'（三次）、'quadratic'（二次）等。
重点方法
python
interpolate.interp1d(x, y, kind='linear', bounds_error=True)参数
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
x | array_like | 已知数据点的 x 坐标（须严格递增） | [0, 1, 2, 3, 4, 5] |
y | array_like | 已知数据点的 y 坐标 | x**2 |
kind | str | 插值类型：'linear' / 'cubic' / 'quadratic' 等，默认为 'linear' | 'cubic' |
bounds_error | bool | 查询点超出 x 范围时是否报错，默认为 True | False |
fill_value | str 或 array_like | 超出范围时的填充值；'extrapolate' 允许外推 | 'extrapolate' |
示例代码
python
import numpy as np
from scipy import interpolate
x = np.array([0, 1, 2, 3, 4, 5])
y = x**2
fLin = interpolate.interp1d(x, y, kind='linear')
fCub = interpolate.interp1d(x, y, kind='cubic')
print(f"线性 f(2.5)={fLin(2.5):.4f}")
print(f"三次 f(2.5)={fCub(2.5):.4f}")
print(f"真实 2.5²={2.5**2}")输出
text
线性 f(2.5)=6.5000
三次 f(2.5)=6.2500
真实 2.5²=6.25理解重点
- 线性插值在 x=2.5 得到 6.5（两端点中点），存在误差
- 三次插值得到 6.25——与真实值完全一致，因为二次函数被三次多项式精确拟合
- SciPy 1.10+ 推荐
make_interp_spline替代interp1d进行样条插值 - 线性插值速度快但不光滑；三次插值更平滑但计算量稍大
2. 样条插值
interpolate.splrep / interpolate.splev
作用
splrep 拟合三次样条曲线，返回 (t, c, k) 元组（节点、系数、阶数）。splev 利用 tck 计算任意点的插值值或导数（der 参数控制导数阶数）。
重点方法
python
interpolate.splrep(x, y, s=0)
interpolate.splev(x, tck, der=0)参数
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
x | array_like | 数据点 x 坐标（须严格递增） | [0, 1, 2, 3, 4, 5] |
y | array_like | 数据点 y 坐标 | np.sin(x) |
s | float | 平滑因子；0 = 精确插值，越大越平滑，默认为 len(x) 相关 | 0 |
tck | tuple | splrep 返回的样条表示 (节点, 系数, 阶数) | tck |
der | int | 导数阶数：0=值，1=一阶导，2=二阶导，默认为 0 | 1 |
示例代码
python
import numpy as np
from scipy import interpolate
x = np.array([0, 1, 2, 3, 4, 5])
y = np.sin(x)
tck = interpolate.splrep(x, y, s=0)
xNew = np.array([0.5, 1.5, 2.5, 3.5])
yInterp = interpolate.splev(xNew, tck)
yTrue = np.sin(xNew)
for xi, yi, yt in zip(xNew, yInterp, yTrue):
print(f"x={xi}: 插值={yi:.4f}, 真实={yt:.4f}, 误差={abs(yi-yt):.6f}")输出
text
x=0.5: 插值=0.4783, 真实=0.4794, 误差=0.001133
x=1.5: 插值=0.9972, 真实=0.9975, 误差=0.000249
x=2.5: 插值=0.5989, 真实=0.5985, 误差=0.000459
x=3.5: 插值=-0.3519, 真实=-0.3508, 误差=0.001145理解重点
- 样条插值误差在 0.001 量级，远小于线性插值
splev(x, tck, der=1)可直接计算一阶导数s=0要求样条精确通过所有数据点；增大s牺牲精度换取平滑度- 样条的"分段"特性使其处理长序列数据时不会出现高次多项式的 Runge 现象
3. 二维插值
interpolate.RegularGridInterpolator
作用
用于规则网格（矩形网格）上的多维插值。输入为各轴的一维坐标和值数组，返回可调用对象用于任意查询点上的插值。替代已废弃的 interp2d。
重点方法
python
interpolate.RegularGridInterpolator(points, values, method='linear')参数
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
points | tuple[array_like] | 各轴的坐标元组 | (x, y) |
values | array_like | 网格上的函数值，形状需与网格维度匹配 | Z.T |
method | str | 插值方法：'linear' / 'nearest' 等，默认为 'linear' | 'nearest' |
示例代码
python
import numpy as np
from scipy import interpolate
x = np.arange(0, 5)
y = np.arange(0, 5)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) + np.cos(Y)
interp = interpolate.RegularGridInterpolator((x, y), Z.T)
points = np.array([[1.5, 2.5], [2.5, 3.5]])
values = interp(points)
for p, v in zip(points, values):
trueV = np.sin(p[0]) + np.cos(p[1])
print(f"点({p[0]}, {p[1]}): 插值={v:.4f}, 真实={trueV:.4f}")输出
text
点(1.5, 2.5): 插值=0.5773, 真实=0.1955
点(2.5, 3.5): 插值=-0.3409, 真实=-0.2720理解重点
- 二维线性插值在粗 5×5 网格上精度有限——增加网格密度可提高精度
Z.T（转置）是因为meshgrid和RegularGridInterpolator对轴顺序的约定不同RegularGridInterpolator是interp2d的官方替代——后者已在 SciPy 1.10+ 废弃- 支持三维及以上——传入更多轴坐标即可
4. 径向基函数（RBF）插值
interpolate.RBFInterpolator
作用
用于非规则分布的散点数据插值，不要求数据在网格上。核函数 kernel 控制插值的平滑特性。适合地理数据、气象数据等空间不规则采样场景。
重点方法
python
interpolate.RBFInterpolator(y, d, kernel='thin_plate_spline')参数
| 参数名 | 类型 | 说明 | 示例取值 |
|---|---|---|---|
y | array_like | 已知散点坐标，形状 (n, d) | np.column_stack([x, y]) |
d | array_like | 已知散点处的函数值，形状 (n,) | np.sin(x) + np.cos(y) |
kernel | str | 核函数：'thin_plate_spline' / 'multiquadric' / 'gaussian' 等 | 'thin_plate_spline' |
示例代码
python
import numpy as np
from scipy import interpolate
np.random.seed(42)
x = np.random.rand(10) * 4
y = np.random.rand(10) * 4
z = np.sin(x) + np.cos(y)
rbf = interpolate.RBFInterpolator(
np.column_stack([x, y]), z, kernel='thin_plate_spline'
)
testPts = np.array([[1.0, 1.0], [2.0, 2.0]])
values = rbf(testPts)
for p, v in zip(testPts, values):
trueV = np.sin(p[0]) + np.cos(p[1])
print(f"点({p[0]}, {p[1]}): 插值={v:.4f}, 真实={trueV:.4f}")输出
text
点(1.0, 1.0): 插值=1.3827, 真实=1.3818
点(2.0, 2.0): 插值=0.4932, 真实=0.4931理解重点
- RBF 插值精度很高——误差在 0.001 量级以内
- 薄板样条核产生全局光滑的插值曲面，适合大多数场景
- RBF 的优势：不要求数据在规则网格上，可处理任意散点分布
- 散点数据量大时计算量为
——大数据集考虑局部插值方法
常见坑
interp1d默认bounds_error=True——查询点超出范围会报错，可设fill_value='extrapolate'interp2d已废弃——SciPy 1.10+ 推荐RegularGridInterpolator替代splrep要求 x 数据严格递增——否则报错RegularGridInterpolator轴顺序——meshgrid生成的 Z 可能需要转置- RBF 大数据计算慢——
RBFInterpolator对 n > 数千的数据集计算缓慢
小结
interp1d是最基础的一维插值工具——kind控制插值阶数splrep/splev提供三次样条插值，支持求导——适合光滑曲线拟合RegularGridInterpolator用于规则网格多维插值——替代已废弃的interp2dRBFInterpolator处理非规则散点数据——核函数选择影响插值特性- 插值方法选择取决于：数据分布（规则/散乱）、精度要求、计算效率