【漫话机器学习系列】263.线性插值（Interpolation）

IT古董

已于 2025-05-17 15:18:36 修改

阅读量593

点赞数 10

分类专栏：漫话机器学习系列专辑文章标签：机器学习人工智能

于 2025-05-17 15:14:22 首次发布

本文链接：https://blog.csdn.net/IT_ORACLE/article/details/148028850

版权

漫话机器学习系列专辑专栏收录该内容

266 篇文章

订阅专栏

一图理解线性插值（Linear Interpolation）：填补缺失数据的优雅方案

一、前言

在数据科学与机器学习的世界中，缺失数据是常态而非例外。面对这些空缺值，我们有很多种处理策略：删除、填充、预测等。而在所有填充方法中，线性插值（Linear Interpolation）是一种简单、直观且有效的技术。

今天，我们就通过下面这张手绘图，一起直观地理解线性插值的原理和实现方式。

二、什么是线性插值？

图中清晰地写道：

“在线性插值中，我们在已知的数值之间画一条线，来填补缺失数值的一种策略。”

换句话说：

给定一些已知的数据点，我们在这些点之间画直线。
然后我们根据直线的斜率，来推测中间未知点的数值。

这就好像你知道早上 9 点和中午 12 点的温度，想要估算 10 点和 11 点的温度——线性插值就可以帮你做到！

三、图示分析：一步一步看懂线性插值

我们来看图中内容：

图中要素解释：

圆圈（○） 代表原始数据点（数据点）。这些是你已知的数值。
虚线代表在已知数据点之间作出的连接线。
方块（□）表示插值结果，也就是我们预测/估算出来的缺失数据。
箭头和注释形象说明了从数据点到插值点的过程。

图中还用简洁的语言说明了插值过程：“在已知的数据点之间画一条线，去跨越缺口。”

四、数学原理：用公式来表达线性插值

设你已知两个点：

点 A： $(x_0, y_0)$
点 B： $(x_1, y_1)$

你要估算一个处于 $x_0$ 和 $x_1$ 之间、横坐标为 x 的点的纵坐标 y。

插值公式如下：

$y = y_0 + \frac{(x - x_0)}{(x_1 - x_0)} \cdot (y_1 - y_0)$

这个公式的核心思想就是：按比例线性过渡。

简单来说，这和我们小时候画斜率公式“直线过两点”的过程一样。

五、代码实现（Python 示例）

在实际项目中，线性插值通常通过 Pandas 或 NumPy 实现，以下是一个简单示例：

import pandas as pd
import numpy as np

# 模拟一个缺失值的数据序列
data = pd.Series([1.0, np.nan, np.nan, 4.0])

# 进行线性插值
interpolated = data.interpolate(method='linear')

print(interpolated)

输出结果：

0    1.0
1    2.0
2    3.0
3    4.0
dtype: float64

是不是非常直观？这就是图中方块插值点的实际计算过程。

六、应用场景

线性插值虽然简单，但用途非常广泛：

数据清洗：用于填补时间序列中的缺失值；
图像处理：在缩放图像时进行像素值估算；
动画插帧：计算关键帧之间的过渡；
金融建模：填补历史价格数据；
传感器数据补全：如 IoT 设备中断数据修复。

七、线性插值的优缺点

优点	缺点
简单快速，容易实现	不能处理非线性变化趋势
没有引入外部假设	插值点可能不够平滑
很适合实时或在线数据填补	对突变数据敏感