Python实现线性插值、抛物插值、样条插值、拉格朗日插值、牛顿插值、埃米尔特插值

原创

皮大大

发布于 2024-06-14 17:03:07

1210

发布于 2024-06-14 17:03:07

文章被收录于专栏：机器学习/数据可视化机器学习/数据可视化

公众号：尤而小屋编辑：Peter 作者：Peter

大家好，我是Peter~

今天给大家介绍7种插值方法：线性插值、抛物插值、多项式插值、样条插值、拉格朗日插值、牛顿插值、Hermite插值，并提供Python实现案例。

导入库

导入数据处理和建模需要的库：

import numpy as np
import pandas as pd
import random

import matplotlib.pyplot as plt
%matplotlib inline

plt.rcParams['font.sans-serif'] = ['SimHei']  # 显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 显示负号

import warnings
warnings.filterwarnings("ignore")

线性插值interp1d

线性插值是一种数学方法，用于估计两个已知值之间的未知值。这种方法假设在这两个已知点之间的变化是线性的，即变化率是恒定的。线性插值因其简单和直观的特点，在多个领域如图像处理、数据分析等都有广泛的应用。

具体来说，线性插值的原理可以描述为：

确定已知点：需要有两个已知的数据点，通常表示为 (x0, y0) 和 (x1, y1)。
计算插值系数：这个系数定义为 $α = (x - x_0) / (x_1 - x_0)$，其中 x 是要估计的值的位置。
应用线性插值公式：根据插值系数 α，可以使用公式 $y = (1 - α)y_0 + αy_1$ 来计算 y 的值。这个公式说明了 y 的值是由 y0 和 y1 按照它们距离 x 的相对位置加权平均得到的。
扩展到多维空间：线性插值可以扩展到二维或三维空间，分别称为双线性插值和三线性插值。在二维空间中，首先沿着一个轴进行两次线性插值，然后再沿着另一个轴进行一次线性插值，从而得到最终的插值结果。

在实际应用中，线性插值常用于图像大小调整中的像素值估算，数据缺失时的合理补偿，以及数据放缩等情况。

由于其简单性，线性插值计算效率高，易于实现。然而，它基于线性变化的假设，对于非线性关系的数据，线性插值可能不会给出最准确的估计。在这些情况下，可能需要使用更高阶的插值方法，如多项式插值或样条插值等。

from scipy.interpolate import interp1d

x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([0, 3, 4, 1, 0, 4])

# 创建线性插值函数
f = interp1d(x, y, kind='linear')
# 计算插值结果
x_new = np.linspace(0, 5, 100)
y_new = f(x_new)
 
    
# 绘制x和y的图形
plt.plot(x, y, 'o', label='原始数据')
# 绘制x_new和y_new的图形
plt.plot(x_new, y_new, '-', label='线性插值结果')
# 添加图例
plt.legend()
# 显示图形
plt.show()

抛物插值

抛物插值，也称为二次插值，是一种多项式插值方法。这种方法利用已知的数据点来构造一个二次多项式，以此作为未知函数的近似。

import numpy as np  
import matplotlib.pyplot as plt  
  
# 数据点  
x = np.array([0, 1, 2, 3])  
y = np.array([0, 0.8, 0.9, 0.1])  
  
# 使用numpy的polyfit函数进行二次拟合（即抛物插值），返回的是拟合多项式的系数  
# 从最高次到最低次，例如对于ax^2 + bx + c，返回的是[a, b, c]  
coeffs = np.polyfit(x, y, 2)  
  
# 测试数据：x_min 和 x_max 之间取100个点 
x_new = np.linspace(min(x), max(x), 100)  # 生成一个更细粒度的x值数组用于插值  
y_new = np.polyval(coeffs, x_new)  # 拟合结果 
  
# 绘制原始数据点和插值曲线  
plt.scatter(x, y, label='Data points', color='red')  
plt.plot(x_new, y_new, label='Parabolic Interpolation', color='blue')  
plt.xlabel('x')  
plt.ylabel('y')  
plt.legend()  
plt.show()

多项式插值BarycentricInterpolator

from scipy.interpolate import BarycentricInterpolator

x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([0, 3, 4, 1, 0, 4])

# 创建多项式插值函数
f = BarycentricInterpolator(x, y)
# 计算插值结果
x_new = np.linspace(0, 5, 100)
y_new = f(x_new)

# 绘制x和y的图形
plt.plot(x, y, 'o', label='原始数据')
# 绘制x_new和y_new的图形
plt.plot(x_new, y_new, '-', label='多项式插值结果')
# 添加图例
plt.legend()
# 显示图形
plt.show()

样条插值

样条插值是一种数值分析技术，用于通过一组给定的数据点构造一个平滑的曲线。它的基本思想是在数据点之间构建多项式函数，这些函数在相邻数据点处具有连续的一阶导数，从而形成一条光滑的曲线。

基于CubicSpline

from scipy.interpolate import CubicSpline  # 3次样条插值CubicSpline

# 示例数据
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([0, 3, 4, 1, 0, 4])

# 创建三次样条插值函数
cs = CubicSpline(x, y)

# 计算插值结果
x_new = np.linspace(0, 5, 100)
y_new = cs(x_new)

# 绘制x和y的图形
plt.plot(x, y, 'o', label='原始数据')
# 绘制x_new和y_new的图形
plt.plot(x_new, y_new, '-', label='样条插值结果')
# 添加图例
plt.legend()
# 显示图形
plt.show()

基于interp1d(kind='cubic')

from scipy.interpolate import interp1d

x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([0, 3, 4, 1, 0, 4])

# 创建线性插值函数
f = interp1d(x, y, kind='cubic')  # 指定为cubic：3次
# 计算插值结果
x_new = np.linspace(0, 5, 100)
y_new = f(x_new)
    
# 绘制x和y的图形
plt.plot(x, y, 'o', label='原始数据')
# 绘制x_new和y_new的图形
plt.plot(x_new, y_new, '-', label='样条插值结果')
# 添加图例
plt.legend()
# 显示图形
plt.show()

拉格朗日插值法Lagrange

拉格朗日插值也是属于一种多项式插值，其原理是通过多个采样点$(x_i,y_i)(i=0,1,2,3...,n)$构造一个高次多项式$p(x)$来近似替代$f(x)$

from scipy.interpolate import lagrange

# 示例数据
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([0, 3, 4, 1, 0, 4])

# 创建拉格朗日插值函数
f = lagrange(x, y)

# 计算插值结果
x_new = np.linspace(0, 5, 100)
y_new = f(x_new)
    
# 绘制x和y的图形
plt.plot(x, y, 'o', label='原始数据')
# 绘制x_new和y_new的图形
plt.plot(x_new, y_new, '-', label='拉格朗日插值结果')
# 添加图例
plt.legend()
# 显示图形
plt.show()

牛顿插值法newton

牛顿插值法的基本思想是利用差分和差商的概念来构建插值多项式。差商是一种特殊的除法运算，用于计算函数值之间的差异，而差分则是差商的离散形式。

牛顿插值多项式的构造是通过计算零阶到n阶的差商来实现的。这些差商可以用来逐步构建插值多项式，每次增加一个项，直到达到所需的次数

import numpy as np

def newton_interpolation(x, y):
    """
    牛顿插值法
    x: 已知点的横坐标列表
    y: 已知点的纵坐标列表
    return: 插值多项式函数
    """
    n = len(x) 
    #  初始化差商表
    f = [[0] * n for _ in range(n)]  # n*n的全0维数组
    for i in range(n):
        f[i][0] = y[i]  # 将已知点的纵坐标赋值给差商表的第一列  
    
    for j in range(1, n): # j表示差商的阶数
        for i in range(n - j):  # i用于遍历每行的起始位置
            f[i][j] = (f[i + 1][j - 1] - f[i][j - 1]) / (x[i + j] - x[i]) # 计算差商
            
    # 构造插值多项式函数
    def P(t): 
        result = 0 # 初始值
        for i in range(n):  # 双重循环
            temp = 1  # 临时变量，用于计算(t-x[j])的乘积  
            for j in range(i):
                temp *= (t - x[j])
            result += f[0][i] * temp  # 将差商与(t-x[j])的乘积累加到result中 
        return result
    return P

# 示例数据
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([0, 3, 4, 1, 0, 4])
P = newton_interpolation(x,y)

# 计算插值结果
x_new = np.linspace(0, 5, 100)
y_new = P(x_new)

# 绘制x和y的图形
plt.plot(x, y, 'o', label='原始数据')
# 绘制x_new和y_new的图形
plt.plot(x_new, y_new, '-', label='牛顿插值结果')
# 添加图例
plt.legend()
# 显示图形
plt.show()

艾尔米特插值法Hermite

埃尔米特插值是另一类插值问题，这类插值在给定的节点处，不但要求插值多项式的函数值与原函数值相同。

同时还要求在节点处，插值多项式的一阶直至指定阶的导数值，也与被插函数的相应阶导数值相等，这样的插值称为埃尔米特(Hermite)插值。

import numpy as np
from scipy.interpolate import CubicHermiteSpline

# 示例数据
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([0, 3, 4, 1, 0, 4])
dy = np.array([3, 1, -3, -1, 4,0])

# 创建Hermite插值函数
f = CubicHermiteSpline(x, y, dy)

# 计算插值结果
x_new = np.linspace(0, 5, 100)
y_new = f(x_new)

# 绘制x和y的图形
plt.plot(x, y, 'o', label='原始数据')
# 绘制x_new和y_new的图形
plt.plot(x_new, y_new, '-', label='艾尔米特插值结果')
# 添加图例
plt.legend()
# 显示图形
plt.show()