插值，是离散函数逼近的重要方法，利用它可通过函数在有限个点处的取值状况，估算出函数在其他点处的近似值。–摘自百度百科
插值与拟合有一定差别，但其目的都是类似的，根据已有数值，生成预测函数，来预测目标值。
下面介绍一下，在Python中如何实现插值。
import scipy.interpolate as spi # 准备数据，X和Y都是有限离散点集，X与Y是一一对应的 # 我们想用X逼近Y X Y # 准备插值点，就是拟合点，用于生成插值函数 # 1）如果(X, Y)有很多，就从X和Y中选择一部分点，作为插值点，选择的时候注意一一对应； # 2）如果(X, Y)不太多，则可以选择所有点作为插值点； # 这里由于(X, Y)很庞大，所以选择其中一部分点作为插值点 idx = np.arange(1,len(X)+1, 100) new_x = [list(X)[i] for i in idx] new_y = [list(Y)[i] for i in idx] # 生成差值函数 # fill_value="extrapolate"的意思是当用该函数预测Y时，如果所给x超出【生成该函数时候所使用的X】的取值范围时，该函数会自动推测给出相应的预测值。 # kind代表插值函数格式，有这几种['linear','zero', 'slinear', 'quadratic', 'cubic', 4, 5] f = spi.interp1d(X,Y,kind="linear",fill_value="extrapolate") # 随便给一个x，预测Y x = [1000, 2000] predict_y = f(x) # 如果报错 """ValueError: A value in x_new is below the interpolation range.""" # 就是因为，在使用上述插值函数f进行预测的时候，所给的x的取值超出了【生成该函数时候所使用的X】的取值范围，函数给不出预测值，因此报错。 # 加上参数fill_value="extrapolate"就可以了，函数会自动推断给出预测值。 # 但是注意：如果Y不是单调的，推断出来的预测值可能会不准确。（因为这里面的自动推断，应该是按照线性单调推断的，这个我还没有确认过）
