类型	定义	与拟合的区别
插值 (Interpolation)	通过已知数据点构建一个函数，该函数必须经过所有已知点	严格要求曲线通过所有原始数据点
拟合 (Fitting)	找到最佳匹配数据的函数模型	不要求通过所有点，只追求整体最优

# 应用场景 # ✅ 填补缺失数据 # ✅ 平滑离散数据曲线 # ✅ 预测未知点的值 # ✅ 提高数据分辨率

🔷 scipy.interpolate 模块概览

SciPy 提供了多种插值方法，按维度分类如下：

一维插值

类/函数	特点	适用场景
`interp1d`	简单直接，多种插值方式	快速一维插值
`UnivariateSpline`	带平滑参数的样条插值	有噪声数据
`Akima1DInterpolator`	Akima样条，局部适应性好	局部变化剧烈数据
`PchipInterpolator`	保持单调性	物理意义重要的数据
`CubicSpline`	三次样条，二阶导数连续	需要平滑曲线
`BarycentricInterpolator`	重心插值	高精度要求

多维插值

类/函数	特点	适用场景
`griddata`	不规则网格点插值	散乱数据插值
`RegularGridInterpolator`	规则网格插值	规则采样数据
`RectBivariateSpline`	矩形区域双变量样条	规则二维数据
`Rbf`	径向基函数插值	不规则三维及以上

1️⃣ 一维插值详解

方法一：interp1d（最常用）

from scipy.interpolate import interp1d import numpy as np # 原始数据点 x = np.array([0, 1, 2, 3, 4]) y = np.array([0, 1, 4, 9, 16]) # y = x² # 创建插值函数 # kind: 'linear'(线性), 'nearest', 'zero', 'slinear', 'quadratic', 'cubic' f_linear = interp1d(x, y, kind='linear') f_cubic = interp1d(x, y, kind='cubic') # 生成新的x点进行插值 x_new = np.linspace(0, 4, 20) # 计算插值结果 y_linear = f_linear(x_new) y_cubic = f_cubic(x_new) print(y_linear[:5]) # 查看前几个插值结果

interp1d 参数详解

参数	说明	默认值
`x`	自变量数组（一维）	必需
`y`	因变量数组（一维或多维）	必需
`kind`	插值类型	`'linear'`
`axis`	沿哪个轴进行插值	`-1`
`copy`	是否复制数据	`True`
`bounds_error`	超出范围是否报错	`False`
`fill_value`	超出范围的值	`np.nan`
`assume_sorted`	是否假设已排序	`False`

不同插值类型的效果对比

import matplotlib.pyplot as plt x = np.array([0, 1, 2, 3, 4]) y = np.array([0, 1, 4, 9, 16]) x_new = np.linspace(0, 4, 100) fig, ax = plt.subplots(figsize=(10, 6)) # 绘制原始数据点 ax.plot(x, y, 'ro', label='原始数据') # 线性插值 f_linear = interp1d(x, y, kind='linear') ax.plot(x_new, f_linear(x_new), 'b-', label='线性插值') # 三次插值 f_cubic = interp1d(x, y, kind='cubic') ax.plot(x_new, f_cubic(x_new), 'g--', label='三次插值') ax.legend() plt.title('不同插值类型对比') plt.show()

方法二：CubicSpline（推荐）

from scipy.interpolate import CubicSpline # 创建三次样条插值 cs = CubicSpline(x, y) # 插值 x_new = np.linspace(0, 4, 100) y_new = cs(x_new) # 也可以求导数 dy_dx = cs.derivative()(x_new) # 一阶导数 d2y_dx2 = cs.derivative(n=2)(x_new) # 二阶导数 print(f"在 x=2.5 处的值: {cs(2.5)}") print(f"在 x=2.5 处的斜率: {cs.derivative()(2.5)}")

方法三：PchipInterpolator（保持单调性）

from scipy.interpolate import PchipInterpolator # 对于可能非单调变化的数据，避免过冲 pchip = PchipInterpolator(x, y) x_new = np.linspace(0, 4, 100) y_new = pchip(x_new) # PCHIP不会引入额外的极值点，适合物理意义重要的数据

方法四：UnivariateSpline（带平滑）

from scipy.interpolate import UnivariateSpline # s 参数控制平滑程度，越大越平滑 # 如果数据有噪声，这个很重要 spline = UnivariateSpline(x, y, s=2.0) x_new = np.linspace(0, 4, 100) y_new = spline(x_new) # 调整平滑参数 # s = 0 → 精确插值 # s > len(x) → 更平滑但可能偏离原数据

2️⃣ 多维插值详解

griddata（散乱数据插值）

from scipy.interpolate import griddata import numpy as np # 原始散乱数据点 points = np.array([[0, 0], [1, 0], [0, 1], [1, 1], [0.5, 0.5]]) values = np.array([0, 1, 1, 2, 1]) # 创建插值网格 xi = np.linspace(0, 1, 100) yi = np.linspace(0, 1, 100) XI, YI = np.meshgrid(xi, yi) # 插值三种方法对比 # 'nearest': 最近邻插值 - 速度快，但不平滑 # 'linear': 线性插值 - 平衡速度与质量 # 'cubic': 三次插值 - 最平滑，速度较慢 ZI_nearest = griddata(points, values, (XI, YI), method='nearest') ZI_linear = griddata(points, values, (XI, YI), method='linear') ZI_cubic = griddata(points, values, (XI, YI), method='cubic')

griddata 参数

参数	说明
`points`	原始数据点坐标 (N, ndim)
`values`	原始数据值 (N,)
`xi`	插值点坐标 ((M,) 或 (M, M) 等)
`method`	`'nearest'`,`'linear'`,`'cubic'`
`fill_value`	外推区域的填充值
`rescale`	是否先缩放数据到单位超立方体

RegularGridInterpolator（规则网格）

from scipy.interpolate import RegularGridInterpolator # 规则网格数据 xi = np.array([0, 1, 2]) yi = np.array([0, 1, 2]) zi = np.array([0, 1, 2]) # Z[i,j,k] 对应于 xi[i], yi[j], zi[k] Z = np.zeros((3, 3, 3)) Z[0, 0, 0] = 0; Z[1, 0, 0] = 1; Z[2, 0, 0] = 2 Z[0, 1, 0] = 1; Z[1, 1, 0] = 2; Z[2, 1, 0] = 3 Z[0, 2, 0] = 2; Z[1, 2, 0] = 3; Z[2, 2, 0] = 4 # 创建插值器 interp_func = RegularGridInterpolator((xi, yi, zi), Z) # 查询任意点的值 query_points = np.array([[1.5, 1.5, 1.5], [0.5, 0.5, 0.5]]) result = interp_func(query_points) print(result) # [[2.5] [0.5]]

Rbf（径向基函数）

from scipy.interpolate import Rbf # 散乱点插值 xi = [1.2, 3.2, 4.7, 7.9] yi = [3.8, 6.7, 7.1, 3.4] zi = [5.9, 7.8, 9.3, 4.2] # 创建径向基插值对象 r = Rbf(xi, yi, zi, function='thin_plate') # 查询新点 x_new = 2.0 y_new = 5.0 z_new = r(x_new, y_new) print(f"预测高度: {z_new}") # 可用的function选项 # 'linear', 'multiquadric', 'inverse', 'gaussian', 'thin_plate', etc.

⚡ 实用案例

案例一：填补缺失数据

import numpy as np from scipy.interpolate import interp1d # 模拟有缺失的数据 time = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) temp = np.array([20.1, 21.5, np.nan, 24.3, 25.8, np.nan, 28.1, 29.0, 30.2, 31.0]) # 有效数据索引 valid_mask = ~np.isnan(temp) t_valid = time[valid_mask] temp_valid = temp[valid_mask] # 创建插值函数 f = interp1d(t_valid, temp_valid, kind='cubic') # 填补缺失值 temp_filled = np.where(np.isnan(temp), f(time), temp) print("填补后的数据:", temp_filled)

案例二：提高图像分辨率

import numpy as np from scipy.interpolate import griddata import matplotlib.pyplot as plt # 低分辨率图像数据 low_res_x = np.linspace(0, 10, 10) low_res_y = np.linspace(0, 10, 10) X_low, Y_low = np.meshgrid(low_res_x, low_res_y) # 示例：温度场数据 Z_low = np.sin(X_low * np.pi / 10) * np.cos(Y_low * np.pi / 10) # 高分辨率目标 high_res_x = np.linspace(0, 10, 100) high_res_y = np.linspace(0, 10, 100) XI_high, YI_high = np.meshgrid(high_res_x, high_res_y) # 网格转换为点 points = np.column_stack((X_low.flatten(), Y_low.flatten())) values = Z_low.flatten() # 插值到高空间分辨率 Z_high = griddata(points, values, (XI_high, YI_high), method='cubic') # 可视化 fig, axes = plt.subplots(1, 2, figsize=(12, 5)) axes[0].contourf(X_low, Y_low, Z_low, 20) axes[0].set_title('低分辨率') axes[1].contourf(XI_high, YI_high, Z_high, 50) axes[1].set_title('高分辨率插值后') plt.tight_layout() plt.show()

案例三：时间序列插值

import pandas as pd import numpy as np from scipy.interpolate import interp1d # 创建有缺失的时间序列 df = pd.DataFrame({ 'date': pd.date_range('2024-01-01', periods=10, freq='D'), 'value': [1.0, 1.5, np.nan, 2.5, np.nan, 3.5, np.nan, 4.5, 5.0, 5.5] }) # 方法一：使用 DataFrame 内置方法 df_interpolated = df.copy() df_interpolated['value'] = df_interpolated['value'].interpolate(method='cubic') # 方法二：使用 scipy df['days'] = (df['date'] - df['date'].min()).dt.days valid_idx = df['value'].notna() f = interp1d(df.loc[valid_idx, 'days'], df.loc[valid_idx, 'value']) df['value_scipy'] = f(df['days']) print(df)

📊 各插值方法特性对比

方法	平滑度	速度	单调性	外推能力	适用场景
线性插值	低	最快	✅	❌	简单快速需求
三次插值	高	中等	❌	⚠️	需要平滑曲线
PCHIP	中	快	✅	❌	保持物理意义
最近邻	最低	最快	✅	✅	分类数据
径向基	高	慢	❌	⚠️	多維散乱数据
UnivariateSpline	可调	快	取决于参数	❌	有噪声数据

⚠️ 注意事项

问题	建议
数据点太少	至少需要4个点用于三次插值
数据有噪声	使用 UnivariateSpline 加平滑参数
超出范围	设置 fill_value 或 bounds_error=False
数据不单调	使用 PchipInterpolator 而不是 cubic
大矩阵插值	RegularGridInterpolator 比 griddata 快
边界行为	三次插值可能在边界产生过冲