点击上方“机器学习与统计学”，关注并设为“星标” 重磅干货，第一时间送达 数据分析中，经常需要根据已
重磅干货，第一时间送达
打开凤凰新闻，查看更多高清图片数据分析中，经常需要根据已知的函数点进行数据、模型的处理和分析，而通常情况下现有的数据是极少的，不足以支撑分析的进行，这里就需要使用差值法模拟新的数值来满足需求。
插值法又称“内插法”，是利用函数f(x)在某区间中已知的若干点的函数值，作出适当的特定函数，在区间的其他点上用这特定函数的值作为函数f (x)的近似值。
常用的插值方法有Lagrange插值、Newton插值、分段插值、Hermite插值、样条插值等等。这里我们就介绍一下最常用到的Lagrange、Newton、分段插值法及Python实现。
1、拉格朗日插值法Lagrange插值基本思想是将待求的n次多项式插值函数pn(x）改写成另一种表示方式，再利用插值条件确定其中的待定函数，从而求出插值多项式。它是n次多项式插值，成功地用构造插值基函数的方法解决了求n次多项式插值函数问题。
一般地，若已知
在互不相同 n+1 个点
处的函数值
( 即该函数过
这n+1个点），则可以考虑构造一个过这n+1 个点的、次数不超过n的多项式
,使其满足：
要估计任一点ξ，ξ≠xi,i=0,1,2,...,n,则可以用Pn（ξ）的值作为准确值f(ξ)的近似值。称式（*）为插值条件（准则），含xi(i=0,1,...,n)的最小区间[a,b]，其中a=min{x0,x1,...,xn}，b=max{x0,x1,...,xn}。
设集合
是关于点
的角标的集合，
，作n个多项式
。对于任意
，都有
使得
是n-1次多项式，且满足
并且
。最后可得
。
形如上式的插值多项式
称为拉格朗日（Lagrange）插值多项式。
#coding=utf-8from matplotlib import pyplot as pltdef Lg(data,testdata): predict=0 data_x=[data[i][0] for i in range(len(data))] data_y=[data[i][1] for i in range(len(data))] if testdata in data_x: #print "testdata is already known" return data_y[data_x.index(testdata)] for i in range(len(data_x)): af=1 for j in range(len(data_x)): if j!=i: af*=(1.0*(testdata-data_x[j])/(data_x[i]-data_x[j])) predict+=data_y[i]*af return predictdef plot(data,nums): data_x=[data[i][0] for i in range(len(data))] data_y=[data[i][1] for i in range(len(data))] Area=[min(data_x),max(data_x)] X=[Area[0]+1.0*i*(Area[1]-Area[0])/nums for i in range(nums)] X[len(X)-1]=Area[1] Y=[Lg(data,x) for x in X] plt.plot(X,Y,label=result) for i in range(len(data_x)): plt.plot(data_x[i],data_y[i],ro,label="point") plt.savefig(Lg.jpg) plt.show()data=[[0,0],[1,2],[2,3],[3,8],[4,2]]print Lg(data,1.5)plot(data,100)
2、牛顿插值Newton插值基本思想是将待求的n次插值多项式Pn（x）改写为具有承袭性的形式，然后利用插值条件⑴确定Pn（x）的待定系数，以求出所要的插值函数。
牛顿差值引入了差商的概念，使其在差值节点增加时便于计算。
设函数
，已知其n+1个插值节点为
，
，我们定义：
在
的零阶差商为
；
在点
与
的一阶差商为
在点
，
，
的二阶插商为
一般的，
在点
的k 阶差商为
可将k阶差商表示为函数值
的组合：
经过分别变形，依次代入，可得牛顿差值公式：
可记为：
其中，
为牛顿差值公式的余项或截断误差，当n趋于无穷大时为零。
#coding=utf-8#coding=utf-8from matplotlib import pyplot as pltdef calF(data): #差商计算 n个数据 0-(n-1)阶个差商 n个数据 data_x=[data[i][0] for i in range(len(data))] data_y=[data[i][1] for i in range(len(data))] F= [1 for i in range(len(data))] FM=[] for i in range(len(data)): FME=[] if i==0: FME=data_y else: for j in range(len(FM[len(FM)-1])-1): delta=data_x[i+j]-data_x[j] value=1.0*(FM[len(FM)-1][j+1]-FM[len(FM)-1][j])/delta FME.append(value) FM.append(FME) F=[fme[0] for fme in FM] print FM return Fdef NT(data,testdata,F): #差商之类的计算 predict=0 data_x=[data[i][0] for i in range(len(data))] data_y=[data[i][1] for i in range(len(data))] if testdata in data_x: return data_y[data_x.index(testdata)] else: for i in range(len(data_x)): Eq=1 if i!=0: for j in range(i): Eq=Eq*(testdata-data_x[j]) predict+=(F[i]*Eq) return predictdef plot(data,nums): data_x=[data[i][0] for i in range(len(data))] data_y=[data[i][1] for i in range(len(data))] Area=[min(data_x),max(data_x)] X=[Area[0]+1.0*i*(Area[1]-Area[0])/nums for i in range(nums)] X[len(X)-1]=Area[1] F=calF(data) Y=[NT(data,x,F) for x in X] plt.plot(X,Y,label=result) for i in range(len(data_x)): plt.plot(data_x[i],data_y[i],ro,label="point") plt.savefig(Newton.jpg) plt.show()data=[[0,0],[1,2],[2,3],[3,8],[4,2]]plot(data,100)
3、分段线性插值
对每一个分段区间（xi,xi+1）分别进行插值，将被插值函数f(x)的插值节点由小到大排序，然后每对相邻的两个节点为端点的区间上用m次多项式去近似f(x)。
将每两个相邻的节点用直线连起来，如此形成的一条折线就是分段线性插值函数。计算x点的插值时，只用到x左右的两个节点，计算量与节点个数n（初始值x0，y0的长度,n=length(x0)）无关，而拉格朗日插值与n值有关。分段线性插值中n越大，分段越多，插值误差越小。
#coding=utf-8from matplotlib import pyplot as pltdef DivideLine(data,testdata): #找到最邻近的 data_x=[data[i][0] for i in range(len(data))] data_y=[data[i][1] for i in range(len(data))] if testdata in data_x: return data_y[data_x.index(testdata)] else: index=0 for j in range(len(data_x)): if data_x[j] 1 ]>testdata: index=j break predict= 1.0 *(testdata-data_x[j])*(data_y[j+ 1 ]-data_y[j])/(data_x[j+ 1 ]-data_x[j])+data_y[j] return predict def plot(data,nums): data_x=[data[i][ 0 ] for i in range(len(data))] data_y=[data[i][ 1 ] for i in range(len(data))] Area=[min(data_x),max(data_x)] X=[Area[ 0 ]+ 1.0 *i*(Area[ 1 ]-Area[ 0 ])/nums for i in range(nums)] X[len(X) -1 ]=Area[ 1 ] Y=[DivideLine(data,x) for x in X] plt.plot(X,Y,label= result ) for i in range(len(data_x)): plt.plot(data_x[i],data_y[i], ro ,label= "point" ) plt.savefig( DivLine.jpg ) plt.show() data=[[ 0 , 0 ],[ 1 , 2 ],[ 2 , 3 ],[ 3 , 8 ],[ 4 , 2 ]] print DivideLine(data, 1.5 ) plot(data, 100 )