Python利用插值法实现折线平滑处理

阿澈

发布时间：2026-10-13| 4人浏览过

原创

本文介绍如何在Python中利用Scipy库的插值功能对折线数据进行平滑处理。通过对比拟合与插值的区别，详细解析nearest、cubic等插值方法，并提供完整代码示例，展示如何将原始折线转化为平滑曲线，适用于数据可视化优化场景。

在使用Python进行绘图时，常因原始数据点较少导致生成的折线分界生硬、转折突兀。为了使图形更加美观直观，通常需要对原始数据绘制的折线进行平滑处理。本文主要介绍如何利用插值法来实现曲线的平滑效果。

实现所需的库

numpy、scipy、matplotlib

插值法实现

nearest：最邻近插值法 zero：阶梯插值 slinear：线性插值 quadratic、cubic：2、3阶B样条曲线插值 -

拟合和插值的区别

1、插值：简单来说，插值就是根据原有数据进行填充，最后生成的曲线一定过原有点。

2拟合：拟合是通过原有数据，调整曲线系数，使得曲线与已知点集的差别（最小二乘）最小，最后生成的曲线不一定经过原有点。

代码实现

import matplotlib.pyplot as plt
import numpy as np
from scipy import interpolate

#设置距离
x =np.array([0, 1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5, 5, 5.5, 6, 6.5, 70, 8, 9,10])

#设置相似度
y =np.array([0.8579087793827057, 0.8079087793827057, 0.7679087793827057, 0.679087793827057,
 0.5579087793827057, 0.4579087793827057, 0.3079087793827057, 0.3009087793827057,
 0.2579087793827057, 0.2009087793827057, 0.1999087793827057, 0.1579087793827057,
 0.0099087793827057, 0.0079087793827057, 0.0069087793827057, 0.0019087793827057,
 0.0000087793827057])

#插值法之后的x轴值，表示从0到10间距为0.5的200个数
xnew =np.arange(0,10,0.1)

#实现函数
func = interpolate.interp1d(x,y,kind='cubic')

#利用xnew和func函数生成ynew,xnew数量等于ynew数量
ynew = func(xnew)

# 原始折线
plt.plot(x, y, "r", linewidth=1)

#平滑处理后曲线
plt.plot(xnew,ynew)
#设置x,y轴代表意思
plt.xlabel("The distance between POI and user(km)")
plt.ylabel("probability")
#设置标题
plt.title("The content similarity of different distance")
#设置x,y轴的坐标范围
plt.xlim(0,10,8)
plt.ylim(0,1)

plt.show()

绘制后的曲线，红色是未进行平滑处理的折线，蓝色是进行平滑处理之后的曲线

注意事项

1.x, y为原来的数据（少量） 2.xnew为一个数组，条件：x⊆⊆xnew 如：x的最小值为-2.931，最大值为10.312；则xnew的左边界要小于-2.931，右边界要大于10.312。当然也最好注意一下间距，最好小于x中的精度 3.func为函数，里面的参数x、y、kind，x，y就是原数据的x，y，kind为需要指定的方法 4.ynew需要通过xnew数组和func函数来生成，理论上xnew数组内的值越多，生成的曲线越平滑

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。