我正在尝试将一些MatLab代码移植到Scipy，并且尝试了scipy.interpolate的两个不同函数interp1d和UnivariateSpline。 interp1d结果与interp1d MatLab函数匹配，但是UnivariateSpline的数字不同-在某些情况下非常不同。
f = interp1d(row1,row2,kind='cubic',bounds_error=False,fill_value=numpy.max(row2))
return f(interp)
f = UnivariateSpline(row1,row2,k=3,s=0)
return f(interp)
谁能提供任何见解？我的x值不等距，尽管我不确定为什么这很重要。
最佳答案
我只是遇到了同样的问题。
简短答案
使用InterpolatedUnivariateSpline代替:
f = InterpolatedUnivariateSpline(row1, row2)
return f(interp)
长答案
UnivariateSpline是“对给定数据点集的一维平滑样条曲线”，而InterpolatedUnivariateSpline是“对给定数据点集的一维插值样条曲线”。前者使数据平滑，而后者是更常规的插值方法，并再现interp1d的预期结果。下图说明了差异。
复制该图的代码如下所示。
import scipy.interpolate as ip
#Define independent variable
sparse = linspace(0, 2 * pi, num = 20)
dense = linspace(0, 2 * pi, num = 200)
#Define function and calculate dependent variable
f = lambda x: sin(x) + 2
fsparse = f(sparse)
fdense = f(dense)
ax = subplot(2, 1, 1)
#Plot the sparse samples and the true function
plot(sparse, fsparse, label = 'Sparse samples', linestyle = 'None', marker = 'o')
plot(dense, fdense, label = 'True function')
#Plot the different interpolation results
interpolate = ip.InterpolatedUnivariateSpline(sparse, fsparse)
plot(dense, interpolate(dense), label = 'InterpolatedUnivariateSpline', linewidth = 2)
smoothing = ip.UnivariateSpline(sparse, fsparse)
plot(dense, smoothing(dense), label = 'UnivariateSpline', color = 'k', linewidth = 2)
ip1d = ip.interp1d(sparse, fsparse, kind = 'cubic')
plot(dense, ip1d(dense), label = 'interp1d')
ylim(.9, 3.3)
legend(loc = 'upper right', frameon = False)
ylabel('f(x)')
#Plot the fractional error
subplot(2, 1, 2, sharex = ax)
plot(dense, smoothing(dense) / fdense - 1, label = 'UnivariateSpline')
plot(dense, interpolate(dense) / fdense - 1, label = 'InterpolatedUnivariateSpline')
plot(dense, ip1d(dense) / fdense - 1, label = 'interp1d')
ylabel('Fractional error')
xlabel('x')
ylim(-.1,.15)
legend(loc = 'upper left', frameon = False)
tight_layout()