分段多项式和样条#
一维插值例程在上一节中讨论的,通过构建某些分段多项式工作:插值范围被所谓的断点划分成区间,每个区间上都有一个特定的多项式。这些多项式片段在断点处以预定义的平滑度匹配:对于三次样条是二阶导数,对于单调插值器是一阶导数等等。
阶数为 \(k\) 的多项式可以被认为是 \(k+1\) 个单项式基元素(\(1, x, x^2, \cdots, x^k\))的线性组合。在某些应用中,考虑替代(如果形式上等效)基会很有用。两种流行的基,在scipy.interpolate
中实现的是B样条(BSpline
)和伯恩斯坦多项式(BPoly
)。B样条通常用于非参数回归问题,例如,而伯恩斯坦多项式则用于构建贝塞尔曲线。
PPoly
对象在“常用”幂基中表示分段多项式。对于CubicSpline
实例和单调插值器而言,情况就是如此。通常,PPoly
对象可以表示任意阶多项式,而不仅仅是三次多项式。对于数据数组 x
,断点位于数据点处,系数数组 c
定义了阶数为 \(k\) 的多项式,使得 c[i, j]
是在 x[j]
和 x[j+1]
之间的片段上 (x - x[j])**(k-i)
的系数。
BSpline
对象表示B样条函数——是b样条基元素的线性组合。这些对象可以直接实例化,也可以通过make_interp_spline
工厂函数从数据构建。
最后,伯恩斯坦多项式表示为BPoly
类的实例。
所有这些类都实现了(大部分)相似的接口,其中PPoly
是功能最完善的。接下来我们将介绍此接口的主要功能,并讨论分段多项式替代基的一些细节。
操作PPoly
对象#
PPoly
对象具有方便的方法用于构造导数和反导数、计算积分和寻找根。例如,我们列出正弦函数并找到其导数的根。
>>> import numpy as np
>>> from scipy.interpolate import CubicSpline
>>> x = np.linspace(0, 10, 71)
>>> y = np.sin(x)
>>> spl = CubicSpline(x, y)
现在,对样条进行微分
>>> dspl = spl.derivative()
这里 dspl
是一个PPoly
实例,表示原始对象 spl
的导数的多项式近似。在固定参数处评估 dspl
等同于使用 nu=1
参数评估原始样条。
>>> dspl(1.1), spl(1.1, nu=1)
(0.45361436, 0.45361436)
请注意,上述第二种形式是在原地评估导数,而使用dspl
对象,我们可以找到 spl
导数的零点。
>>> dspl.roots() / np.pi
array([-0.45480801, 0.50000034, 1.50000099, 2.5000016 , 3.46249993])
这与 \(\pi/2 + \pi\,n\) 的根 \(\cos(x) = \sin'(x)\) 非常吻合。请注意,默认情况下,它计算的根是外推到插值区间 \(0 \leqslant x \leqslant 10\) 之外的,并且外推结果(第一个和最后一个值)的准确性要差得多。我们可以关闭外推并将寻根限制在插值区间内。
>>> dspl.roots(extrapolate=False) / np.pi
array([0.50000034, 1.50000099, 2.5000016])
事实上,root
方法是更通用的 solve
方法的一个特例,它为给定常数 \(y\) 寻找方程 \(f(x) = y\) 的解,其中 \(f(x)\) 是分段多项式。
>>> dspl.solve(0.5, extrapolate=False) / np.pi
array([0.33332755, 1.66667195, 2.3333271])
这与 \(\pm\arccos(1/2) + 2\pi\,n\) 的预期值非常吻合。
分段多项式的积分可以使用 .integrate
方法计算,该方法接受积分的下限和上限。作为示例,我们计算完全椭圆积分 \(K(m) = \int_0^{\pi/2} [1 - m\sin^2 x]^{-1/2} dx\) 的近似值。
>>> from scipy.special import ellipk
>>> m = 0.5
>>> ellipk(m)
1.8540746773013719
为此,我们列表展示被积函数,并使用单调PCHIP插值器对其进行插值(我们也可以使用CubicSpline
)。
>>> from scipy.interpolate import PchipInterpolator
>>> x = np.linspace(0, np.pi/2, 70)
>>> y = (1 - m*np.sin(x)**2)**(-1/2)
>>> spl = PchipInterpolator(x, y)
并进行积分
>>> spl.integrate(0, np.pi/2)
1.854074674965991
这确实接近于 scipy.special.ellipk
计算的值。
所有分段多项式都可以使用N维 y
值构造。如果 y.ndim > 1
,则它被理解为一堆一维 y
值,这些值沿着插值轴(默认值为 0)排列。后者通过 axis
参数指定,不变式是 len(x) == y.shape[axis]
。作为一个例子,我们扩展上述椭圆积分示例,使用 NumPy 广播来计算一系列 m
值的近似值。
>>> from scipy.interpolate import PchipInterpolator
>>> m = np.linspace(0, 0.9, 11)
>>> x = np.linspace(0, np.pi/2, 70)
>>> y = 1 / np.sqrt(1 - m[:, None]*np.sin(x)**2)
现在 y
数组的形状是 (11, 70)
,因此对于固定的 m
值,y
的值沿着 y
数组的第二个轴排列。
>>> spl = PchipInterpolator(x, y, axis=1) # the default is axis=0
>>> import matplotlib.pyplot as plt
>>> plt.plot(m, spl.integrate(0, np.pi/2), '--')
>>> from scipy.special import ellipk
>>> plt.plot(m, ellipk(m), 'o')
>>> plt.legend(['`ellipk`', 'integrated piecewise polynomial'])
>>> plt.show()

B样条:节点和系数#
B样条函数——例如,通过make_interp_spline
调用从数据构建的——由所谓的节点和系数定义。
作为一个例子,我们再次构造正弦函数的插值。节点作为BSpline
实例的 t
属性可用。
>>> x = np.linspace(0, 3/2, 7)
>>> y = np.sin(np.pi*x)
>>> from scipy.interpolate import make_interp_spline
>>> bspl = make_interp_spline(x, y, k=3)
>>> print(bspl.t)
[0. 0. 0. 0. 0.5 0.75 1. 1.5 1.5 1.5 1.5 ]
>>> print(x)
[ 0. 0.25 0.5 0.75 1. 1.25 1.5 ]
我们看到,节点向量默认从输入数组 x
构造:首先,它被设置为 \((k+1)\) 正则(即前后各附加了 k
个重复节点);然后,删除输入数组的第二个点和倒数第二个点——这就是所谓的非节点边界条件。
通常,阶数为 k
的插值样条需要 len(t) - len(x) - k - 1
个边界条件。对于具有 (k+1)
正则节点数组的三次样条,这意味着两个边界条件——或者从 x
数组中删除两个值。可以使用 make_interp_spline
的可选 bc_type
参数请求各种边界条件。
B样条系数通过 BSpline
对象的 c
属性访问。
>>> len(bspl.c)
7
惯例是对于 len(t)
个节点,有 len(t) - k - 1
个系数。一些例程(参见平滑样条部分)会对 c
数组进行零填充,以便 len(c) == len(t)
。这些附加系数在评估时会被忽略。
我们强调,这些系数是基于b样条基给出的,而不是 \(1, x, \cdots, x^k\) 的幂基。
B样条基元素#
B样条基用于各种应用,包括插值、回归和曲线表示。B样条是分段多项式,表示为b样条基元素的线性组合——这些基元素本身是普通单项式 \(x^m\)(其中 \(m=0, 1, \dots, k\))的某些线性组合。
B样条的性质在文献中已有详细描述(例如,参见 BSpline
文档字符串中列出的参考文献)。出于我们的目的,只需知道B样条函数由系数数组和所谓的节点数组唯一确定即可,这些节点可能与数据点 x
重合,也可能不重合。
具体来说,阶数为 k
的B样条基元素(例如,对于三次样条,k=3
)由 \(k+2\) 个节点定义,并在这些节点之外为零。为了说明,在给定区间上绘制一组非零基元素。
>>> k = 3 # cubic splines
>>> t = [0., 1.4, 2., 3.1, 5.] # internal knots
>>> t = np.r_[[0]*k, t, [5]*k] # add boundary knots
>>> from scipy.interpolate import BSpline
>>> import matplotlib.pyplot as plt
>>> for j in [-2, -1, 0, 1, 2]:
... a, b = t[k+j], t[-k+j-1]
... xx = np.linspace(a, b, 101)
... bspl = BSpline.basis_element(t[k+j:-k+j])
... plt.plot(xx, bspl(xx), label=f'j = {j}')
>>> plt.legend(loc='best')
>>> plt.show()

这里 BSpline.basis_element
实质上是构造一个只有一个非零系数的样条的简写。例如,上述例子中 j=2
元素等价于
>>> c = np.zeros(t.size - k - 1)
>>> c[-2] = 1
>>> b = BSpline(t, c, k)
>>> np.allclose(b(xx), bspl(xx))
True
如果需要,B样条可以使用 PPoly.from_spline
方法转换为 PPoly
对象,该方法接受一个 BSpline
实例并返回一个 PPoly
实例。反向转换由 BSpline.from_power_basis
方法执行。但是,最好避免在不同基之间进行转换,因为它会累积舍入误差。
B样条基中的设计矩阵#
B样条的一个常见应用是非参数回归。原因是B样条基元素的局部性使得线性代数具有带状结构。这是因为在给定评估点处,至多有 \(k+1\) 个基元素非零,因此基于B样条构建的设计矩阵至多有 \(k+1\) 条对角线。
作为一个例子,我们考虑一个玩具示例。假设我们的数据是一维的,并且限制在区间 \([0, 6]\) 内。我们构造一个4正则节点向量,它对应于7个数据点和三次(k=3
)样条。
>>> t = [0., 0., 0., 0., 2., 3., 4., 6., 6., 6., 6.]
接下来,将“观测值”设为
>>> xnew = [1, 2, 3]
并以稀疏CSR格式构造设计矩阵。
>>> from scipy.interpolate import BSpline
>>> mat = BSpline.design_matrix(xnew, t, k=3)
>>> mat
<Compressed Sparse Row sparse array of dtype 'float64'
with 12 stored elements and shape (3, 7)>
这里,设计矩阵的每一行对应于 xnew
数组中的一个值,并且一行至多有 k+1 = 4
个非零元素;第 j
行包含在 xnew[j]
处评估的基元素。
>>> with np.printoptions(precision=3):
... print(mat.toarray())
[[0.125 0.514 0.319 0.042 0. 0. 0. ]
[0. 0.111 0.556 0.333 0. 0. 0. ]
[0. 0. 0.125 0.75 0.125 0. 0. ]]
伯恩斯坦多项式,BPoly
#
对于 \(t \in [0, 1]\),阶数为 \(k\) 的伯恩斯坦基多项式定义为
其中 \(C_k^a\) 是二项式系数,且 \(a=0, 1, \dots, k\),因此有 \(k+1\) 个阶数为 \(k\) 的基多项式。
一个 BPoly
对象表示一个分段伯恩斯坦多项式,通过断点 x
和系数 c
来定义:c[a, j]
是在 x[j]
和 x[j+1]
之间的区间上,对应于 \(b(t; k, a)\) 的系数。
BPoly
对象的接口与 PPoly
对象的接口非常相似:它们都可以进行评估、微分和积分。
BPoly
对象的另一个附加功能是备用构造函数 BPoly.from_derivatives
,它从数据值和导数构造一个 BPoly
对象。具体来说,b = BPoly.from_derivatives(x, y)
返回一个可调用对象,该对象插值所提供的值(b(x[i]) == y[i])
),并具有所提供的导数(b(x[i], nu=j) == y[i][j]
)。
此操作类似于 CubicHermiteSpline
,但它更灵活,因为它可以在不同数据点处理不同数量的导数;即,y
参数可以是不同长度数组的列表。有关进一步讨论和示例,请参见 BPoly.from_derivatives
。
基之间的转换#
原则上,分段多项式所有三种基(幂基、伯恩斯坦基和B样条)都是等价的,并且一种基中的多项式可以转换为不同的基。在不同基之间进行转换的一个原因是并非所有基都实现了所有操作。例如,寻根操作仅针对 PPoly
实现,因此要找到 BSpline
对象的根,您需要首先转换为 PPoly
。有关转换的详细信息,请参见方法 PPoly.from_bernstein_basis
、PPoly.from_spline
、BPoly.from_power_basis
和 BSpline.from_power_basis
。
然而,在浮点运算中,转换总是会带来一些精度损失。这种损失是否显著取决于具体问题,因此建议在基之间进行转换时谨慎操作。