Pandas与SciPy三次样条插值结果差异：是代码问题还是Bug？

你的代码没有错误，也不是Pandas的Bug，差异源于两者底层使用的三次样条插值实现边界条件不同：

1. 底层实现的核心差异 #

• Pandas的spline插值：在1.3.5版本中，df['values'].interpolate(method='spline', order=3)底层调用scipy.interpolate.UnivariateSpline，默认设置s=0（强制插值曲线通过所有已知数据点）。UnivariateSpline采用not-a-knot边界条件——强制端点处的三阶导数与相邻区间的三阶导数连续，避免端点出现过度波动。
• 你的SciPy实现：interp1d(kind=3)本质调用scipy.interpolate.CubicSpline，采用自然边界条件——强制插值曲线在两端点的二阶导数为0，让曲线在端点处趋于平缓。

2. 验证结论的代码示例 #

模拟Pandas的插值结果 #

用UnivariateSpline手动实现，结果会和Pandas完全一致：

from scipy.interpolate import UnivariateSpline

idx = df[~df['values'].isna()].index
vals = df.loc[idx, 'values']
# 对应Pandas的参数：k=3（三次样条），s=0（强制过所有点）
spline = UnivariateSpline(idx, vals, k=3, s=0)
df['interpolated_univariate'] = spline(df.index)

模拟你用SciPy的插值结果 #

用CubicSpline手动实现，结果会和interp1d(kind=3)一致：

from scipy.interpolate import CubicSpline

cs = CubicSpline(idx, vals, bc_type='natural')
df['interpolated_cubic'] = cs(df.index)

3. 总结 #

两种插值结果都是合法的三次样条插值，只是边界条件的选择不同导致曲线形态有差异。如果需要让Pandas的结果和SciPy一致，可以手动指定使用CubicSpline实现插值，而非依赖Pandas内置的spline方法。

内容的提问来源于stack exchange，提问作者Raoul