折线图边角平滑：已尝试spline与curve fitting无效，如何保原形态？

问题背景 #

我试了一堆spline工具和曲线拟合方法，但这些方法直接把我的图表改得面目全非。我只想让折线图的边缘变平滑，去掉那些尖锐的角，完全不想改变整体趋势。

原始代码 #

import numpy as np
from matplotlib import pyplot as plt

constant = 1.4

xdata = [52.8905, 52.7612, 51.7277, 51.6320, 47.8479]
data1 = [1.4826, 1.5395, 1.5863, 1.5898, 1.5343]
data2 = [1.1551, 1.1570, 1.1690, 1.1700, 1.1707]
ydata = np.zeros(5)

def myfunc(D1, D2, D3):
    polyeff = (np.log(D1) * (D3 - 1)) / (D3 * np.log(D2))
    return polyeff

for i, value in enumerate(xdata):
    ydata[i] = myfunc(data1[i], data2[i], constant)


plt.plot(xdata, ydata)
plt.show()

原始图表 #

需要平滑边角的折线图：

遇到的问题 #

我试过Stack Overflow上《Smoothing out a curve》里的大部分方法，但结果和原图表差异极大，求解决办法。

解决方案 #

要在保留原始数据趋势的前提下平滑边角，推荐用插值生成高密度点的方法，而非直接拟合新曲线。具体步骤如下：

1. 导入scipy.interpolate.make_interp_spline工具
2. 对原始x数据排序（插值要求x单调）
3. 生成更多的x插值点
4. 用样条插值得到对应的y值，再绘图

修改后的代码 #

import numpy as np
from matplotlib import pyplot as plt
from scipy.interpolate import make_interp_spline

constant = 1.4

xdata = [52.8905, 52.7612, 51.7277, 51.6320, 47.8479]
data1 = [1.4826, 1.5395, 1.5863, 1.5898, 1.5343]
data2 = [1.1551, 1.1570, 1.1690, 1.1700, 1.1707]
ydata = np.zeros(5)

def myfunc(D1, D2, D3):
    polyeff = (np.log(D1) * (D3 - 1)) / (D3 * np.log(D2))
    return polyeff

for i, value in enumerate(xdata):
    ydata[i] = myfunc(data1[i], data2[i], constant)

# 按x升序排序（样条插值要求x单调）
sorted_indices = np.argsort(xdata)
x_sorted = np.array(xdata)[sorted_indices]
y_sorted = np.array(ydata)[sorted_indices]

# 生成100个高密度插值点
x_interp = np.linspace(x_sorted.min(), x_sorted.max(), 100)

# 用二次样条插值生成平滑y值，k=2更贴合原始趋势
spl = make_interp_spline(x_sorted, y_sorted, k=2)
y_interp = spl(x_interp)

# 同时绘制平滑折线和原始数据点，确保趋势一致
plt.plot(x_interp, y_interp, label='平滑折线')
plt.scatter(xdata, ydata, color='red', label='原始数据点')
plt.legend()
plt.show()

关键说明 #

• 排序是核心：样条插值要求x数据单调，原始x是递减的，必须先排序处理
• 选择k=2二次样条：比三次样条更不容易出现偏离原始数据的异常波动，完美匹配“仅平滑边角”的需求
• 保留原始点：用散点图标注原始数据，确保平滑后的折线没有偏离原始趋势

内容的提问来源于stack exchange，提问作者Ironstacker727