在 数学 学科 数值分析 中， 样条 是一种特殊的 函数 ，由 多项式 分段定义。样条的 英语 单词spline来源于可变形的样条工具，那是一种在 造船 和 工程制图 时用来画出光滑形状的工具。在中国大陆，早期曾经被称做“齿函数”。后来因为工程学术语中“放样”一词而得名。
在谯城等地区，都构建了全面的区域性战略布局，加强发展的系统性、市场前瞻性、产品创新能力，以专注、极致的服务理念，为客户提供成都网站设计、网站建设 网站设计制作按需求定制设计,公司网站建设,企业网站建设,品牌网站设计,网络营销推广,成都外贸网站建设公司,谯城网站建设费用合理。
在 插值 问题中，样条插值通常比 多项式插值 好用。用低阶的样条插值能产生和高阶的多项式插值类似的效果，并且可以避免被称为 龙格现象 的数值不稳定的出现。并且低阶的样条插值还具有“保凸”的重要性质。
在 计算机科学 的 计算机辅助设计 和 计算机图形学 中，样条通常是指分段定义的多项式 参数曲线 。由于样条构造简单，使用方便，拟合准确，并能近似 曲线拟合 和交互式曲线设计中复杂的形状，样条是这些领域中曲线的常用表示方法。
scipy.interpolate.splrep（x，y，w = None，xb = None，xe = None，k = 3，task = 0，s = None，t = None，full_output = 0，per = 0，quiet = 1 ）
找到一维曲线的B样条曲线表示。
给定数据点集，确定区间上度k的平滑样条近似。(x[i], y[i])xb = x = xe
x，y： array_like
定义曲线y = f（x）的数据点。
w： array_like，optional
权重的严格正秩1数组，其长度与x和y相同。权重用于计算加权最小二乘样条拟合。如果y值中的误差具有矢量d给出的标准偏差，则w应为1 / d。默认值为1（len（x））。
xb, xe：float, optional
适合的间隔。如果为None，则它们分别默认为x [0]和x [-1]。
k： int，optional
花键拟合的程度。建议使用三次样条。甚至应避免使用k值，尤其是在s值小的情况下。1 = k = 5
task：{1, 0, -1}, optional
如果task == 0，则在给定的平滑因子s下找到t和c。
如果task == 1，则找到t和c作为平滑因子s的另一个值。对于同一组数据，必须先前有一个task = 0或task = 1的调用（t将存储为内部使用）
如果task = -1，则找到给定结点t的加权最小二乘样条曲线。这些应该是内部结，因为两端的结将自动添加。
s：float, optional
平滑条件。满足以下条件来确定平滑度：sum（（w （y-g）） * 2，axis = 0）= s其中g（x）是（x，y）的平滑插值。用户可以使用s来控制贴合度和贴合度之间的权衡。较大的s表示更平滑，而较小的s表示较不平滑。s的推荐值取决于权重w。如果权重代表y的标准偏差的倒数，则应在（m-sqrt（2 * m），m + sqrt（2 * m））范围内找到一个好的s值，其中m是x，y和w中的数据点。默认值：如果提供了权重，则s = m-sqrt（2 * m）。如果未提供权重，则s = 0.0（内插）。
t：array_like, optional
任务= -1所需的结。如果给出，则任务自动设置为-1。
f：full_outputbool, optional
如果非零，则返回可选输出。
per：bool, optional
如果非零，则将数据点视为周期为x [m-1]-x [0]的周期，然后返回平滑的周期样条近似。不使用y [m-1]和w [m-1]的值。
quiet：bool, optional
非零以禁止显示消息。不推荐使用此参数；请改用标准的Python警告过滤器。
Returns：
tck：tuple
元组（t，c，k），包含结向量，B样条系数和样条度。
fp：array, optional
样条近似值的平方残差的加权总和。
ier：int, optional
有关splrep成功的整数标志。如果ier = 0，则表示成功。如果[1,2,3]中的ier发生错误，但未引发。否则会引发错误。
msg：str, optional
对应于整数标志ier的消息。
下面插值一个函数
spline函数可以实现三次样条插值 x = 0:10; y = sin(x); xx = 0:.25:10; yy = spline(x,y,xx); plot(x,y,'o',xx,yy) 另外fnplt csapi这两个函数也是三次样条插值函数，具体你可以help一下！
好久没有更新文章了，学校的教材发下来了，作业一下就变多了。
首先，把最终效果放出来：
运用样条插值，即 B-Spline ，可以使你在图表中使用曲线连接离散数据（在插值法中，这些离散数据称为 节点 ）
正如你在上面所看到的那样，在Python中插值非常简单， Scipy 中的 interpolate 为你提供了样条插值所需要的一系列函数。
import部分就不多说了，
这里首先定义了一系列节点，这里数据是随机的，
接下来，首先使用 linspace 为插值提供所需的x值， splrep 根据节点计算了样条曲线的参数，最后将其传递给 splev 计算插值后的结果。
你可能是抱着想要用曲线连接节点的目的来看这篇文章，但看到这里还没搞懂插值法是个什么玩意，那么接下来的内容就是在讲数学中的插值法，与Python和Scipy已无关联。
插值法，就是在给定的节点中作出合适的函数，使得这条曲线 经过每一个节点 ，这也就是为什么在数据可视化中使用插值而不是其他方法的原因，因为插值后仍然能够准确知道每一节点所对应的值。
那么，是不是节点越多，插值的准确性就越高呢？
貌似是这样，毕竟节点越多，对曲线的限制条件就越多，那准确性不久越高了。
但是呢，如果你使用多节点直接插值（不是在程序中插值，因为程序会使用分段样条插值），你就会发现，曲线在两段有明显的震荡，并且节点越多，震荡越明显、越大：
这种现象被称为 Tolmé Runge 现象（ 龙格现象 ），描述的就是这一问题。对此的数学证明在知乎上有， 传送门 。
通过龙格现象，我们会发现，当节点数量趋向于无穷时，插值的误差会趋向于无穷大：
那么，如何避免这一情况呢，可以把我们原先的等距节点替换成Chebyshev节点，但是如果我们的离散数据确实等距，这一方法不好用，那么就可以才用分段插值，我们的程序对龙格现象也是这样处理的。
分段插值就是将高次多项式拆分成多个低次多项式，一般都拆分成三次多项式。
由于插值和拟合常常一起出现，所以这里也简单提一下拟合。
拟合是对你给出的离散数据，作出于数据 差距最小 的函数，另外，按照拟合的结果，拟合也分线性拟合和非线性拟合。
拟合与插值的差别就在于，插值必须过节点，但是拟合不需要，所以拟合曲线的整体效果会更好，也就是更平滑。
拟合一般都用在数据分析里，因为拟合曲线更能够看出整体的变化趋势嘛。
这篇文章写起来难度还是想当大，如果我的描述有问题的话，欢迎评论区留言。
前往我的博客查看本文