python函数拟合不规则曲线_不同的python函数来拟合三次样条，找到系数

我在这里看到的具体问题是UnivariateSpline不能产生插值样条函数中x的各种幂的代数系数。这是因为它保留在专有_data属性中的系数，它也以get_coeffs方法返回，这是一种B-spline coefficients。这些系数描述没有任何冗余的样条曲线（对于N自由度的样条曲线，您需要N个样条曲线），但是它们所附带的基本样条曲线有些复杂。

但您可以使用样条对象的derivatives方法获得所需的系数种类。它返回给定点x处的所有四个导数，从那个点很容易找到Taylor coefficients。使用这种方法很自然，其中x是插值的结点​​，不包括最右边的一个;所获得的系数从该结到下一个有效。这里是一个例子，完整的“花哨”格式化输出。

import numpy as np

from scipy.interpolate import UnivariateSpline

spl = UnivariateSpline(np.arange(6), np.array([3, 1, 4, 1, 5, 9]), s=0)

kn = spl.get_knots()

for i in range(len(kn)-1):

cf = [1, 1, 1/2, 1/6] * spl.derivatives(kn[i])

print("For {0} <= x <= {1}, p(x) = {5}*(x-{0})^3 + {4}*(x-{0})^2 + {3}*(x-{0}) + {2}".format(kn[i], kn[i+1], *cf))

的结是0，2，3，5在此实例中。输出是：

For 0.0 <= x <= 2.0, p(x) = -3.1222222222222222*(x-0.0)^3 + 11.866666666666667*(x-0.0)^2 + -10.744444444444445*(x-0.0) + 3.000000000000001

For 2.0 <= x <= 3.0, p(x) = 4.611111111111111*(x-2.0)^3 + -6.866666666666667*(x-2.0)^2 + -0.7444444444444436*(x-2.0) + 4.000000000000001

For 3.0 <= x <= 5.0, p(x) = -2.322222222222221*(x-3.0)^3 + 6.966666666666665*(x-3.0)^2 + -0.6444444444444457*(x-3.0) + 1.0000000000000016

注意，对于每一块，cf保持系数从最低程度，因此，格式化字符串时的顺序是相反的。

（当然，你可能想要做的这些系数别的东西）密谋

要检查的公式是正确的，我复制粘贴他们：