Scipy与Numpy插值方法有何优劣对比？

本文共计1205个文字，预计阅读时间需要5分钟。

线性插值和三次样条插值是非常常用的插值算法，使用插值法，可以帮助我们扩展散点的基本信息，得到不包含散点点的详细信息。插值法应用广泛，场景多样。

线性插值和三次样条插值都是非常常用的插值算法，使用插值法，可以帮助我们对离散的样本信息进行扩展，得到样本信息中所不包含的样本点的信息。插值法有着非常广泛的应用场景，就比如某手机厂商所号称的x千万像素拍照，其中插值法就发挥了重要作用。在python的scipy这个库中实现了线性插值算法和三次样条插值算法，而numpy库中实现了线性插值的算法，我们通过这两者的不同使用方式，来看下所得到的插值的结果。 技术背景

插值法在图像处理和信号处理、科学计算等领域中是非常常用的一项技术。不同的插值函数，可以根据给定的数据点构造出来一系列的分段函数。这一点有别于函数拟合，函数拟合一般是指用一个给定形式的连续函数，来使得给定的离散数据点距离函数曲线的总垂直距离最短，不一定会经过所有的函数点。比如在二维坐标系内，用一条直线去拟合一个平面三角形所对应的三个顶点，那么至少有一个顶点是不会落在拟合出来的直线上的。而根据插值法所得到的结果，一定是经过所有给定的离散点的。本文针对scipy和numpy这两个python库的插值算法接口，来看下两者的不同实现方案。

插值算法

常用的插值算法比如线性插值，原理非常简单。