如何从scipy插值/matplotlib绘图中通过指定y值获取对应精确x值

方法1：对插值函数直接求根（精度最高） #

你已经得到了三次样条插值函数f2，本质上它就是一个可以直接调用的连续函数，只需要求解方程 f2(x) = 目标y值 即可得到对应的x，不用依赖离散采样点。
代码示例：

from scipy.optimize import root_scalar

target_y = 0.85
# 定义需要求根的函数：f(x) = 0 等价于 f2(x) = target_y
def solve_func(x):
    return f2(x) - target_y

# 可以先确定解所在的大致区间，比如你要找x在0~2区间的解，就传bracket参数
# 要求区间两端的solve_func值符号相反，确保区间内存在解
result = root_scalar(solve_func, bracket=[0, 2])
print("对应的x值为：", result.root)
# 验证结果是否正确
print("验证f2(x)是否等于目标值：", f2(result.root))

如果你的函数在定义域内有多个x对应同一个y值，只需要调整bracket的区间范围，就能找到对应区间内的解。

方法2：密集采样后近似查找 #

如果你不想引入求根工具，也可以对插值后的函数做更高密度的采样，之后找和目标y值最接近的点：

# 把采样密度拉高，比如采样10000个点，精度足够大多数场景使用
x_dense = np.linspace(0, 10, 10000)
y_dense = f2(x_dense)
target_y = 0.85

# 方法2.1：找差的绝对值最小的索引，返回最接近的单个x
idx = np.argmin(np.abs(y_dense - target_y))
print("近似x值：", x_dense[idx])
print("对应的y值：", y_dense[idx])

# 方法2.2：设置容忍度查找所有接近的点（适配多解场景）
tolerance = 1e-4 # 可根据需求调整容忍误差范围
idx_list = np.where(np.abs(y_dense - target_y) < tolerance)[0]
print("所有符合误差要求的x值：", x_dense[idx_list])

原方法失效的原因 #

你之前的代码失效有两个核心原因：

1. 你取的是line2d[0]的x和y数据，对应你最早的11个原始采样点，本身就没有用到插值后的密集点，命中目标值的概率极低
2. 浮点数直接用==判断相等是非常不可靠的，受浮点精度误差影响几乎找不到相等的点，必须用近似判断或者求根的方式处理。

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