如何在考虑权重的情况下对带权重的点进行插值？（Python实现）

核心思路 #

通过权重映射调整插值参数空间，让高权重的点在插值过程中占据更大的有效区间，实现“挤压”其他点位置的效果，同时用三次样条保证插值的平滑性。

代码实现 #

import numpy as np
from scipy.interpolate import CubicSpline

def weighted_smooth_interpolate(points, num_samples=100):
    # 提取原始点的位置与权重
    x = np.array([p[0] for p in points])
    w = np.array([p[1] for p in points])
    
    # 避免权重为0导致计算错误
    w = np.maximum(w, 1e-6)
    
    # 归一化权重并计算累积权重，构建权重参数空间
    w_normalized = w / np.sum(w)
    cumulative_w = np.cumsum(w_normalized)
    # 补全首尾，确保参数空间落在[0,1]区间
    cumulative_w = np.concatenate([[0], cumulative_w])
    x = np.concatenate([[x[0]], x])
    
    # 创建从权重空间到原始位置空间的平滑样条插值函数
    spline = CubicSpline(cumulative_w, x)
    
    # 在权重空间均匀采样，映射回原始位置空间得到插值结果
    t_samples = np.linspace(0, 1, num_samples)
    x_interp = spline(t_samples)
    
    return t_samples, x_interp

使用示例 #

# 定义带权重的点集
points = [(0.1, 1), (0.3, 5), (0.6, 2), (0.9, 1)]
# 生成插值结果
t_samples, x_interp = weighted_smooth_interpolate(points)

# 可视化验证（可选）
import matplotlib.pyplot as plt
plt.scatter([p[0] for p in points], [0]*len(points), s=[p[1]*20 for p in points], label='原始点（大小对应权重）')
plt.plot(x_interp, np.zeros_like(x_interp), label='带权重平滑插值')
plt.legend()
plt.show()

原理说明 #

1. 权重归一化：将所有点的权重转化为占比，避免单个权重过大干扰整体分布。
2. 累积权重空间：高权重的点会在累积权重序列中占据更长的区间，相当于在插值时给这些点分配了更多的“分辨率”。
3. 三次样条插值：基于权重空间与原始位置空间的映射关系，生成平滑的插值曲线，最终在原始空间中呈现出高权重点挤压周围位置的效果。

内容的提问来源于stack exchange，提问作者user16909741