你的问题很典型——普通的线性/多项式插值（比如interp1d的各类kind参数）完全忽略了数据的周期性特征，所以才会出现直接生硬连接间隙两端，或者强制用多项式拉平填充的尴尬结果。结合你的场景，这里有几个更适合的Python解决方案：

方案1：傅里叶插值（最适合强周期性数据） #

傅里叶插值基于信号的频域特征，能完美保留数据的周期性规律，尤其适合你的加速度这类周期信号。核心思路是对原始数据做傅里叶变换，通过扩展频域分辨率再逆变换得到高密度的插值结果，间隙部分会自然按照周期规律填充。

示例代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy.fft import rfft, irfft, rfftfreq

# 假设你的原始数据是time和acceleration数组
# 先确定数据的时间步长，用于频域计算
time_step = np.median(np.diff(time))
n_samples = len(time)

# 傅里叶变换获取频域信息
yf = rfft(acceleration)
xf = rfftfreq(n_samples, time_step)

# 扩展频域点数，实现插值（比如插值到原采样率的10倍）
interp_factor = 10
n_new = n_samples * interp_factor
yf_interp = np.zeros(n_new//2 + 1, dtype=np.complex128)
yf_interp[:len(yf)] = yf  # 保留原始频域分量

# 逆傅里叶变换得到插值后的时域数据
new_time = np.linspace(np.min(time), np.max(time), n_new)
new_acc = irfft(yf_interp)

# 绘图展示
plt.figure(figsize=(14,8))
plt.scatter(time, acceleration, c='red', s=10, label='Original Data')
plt.scatter(new_time, new_acc, c='blue', s=1, label='Interpolated Data')
plt.title('Fourier Interpolated Periodic Acceleration')
plt.xlabel('Time [s]')
plt.ylabel('Acceleration')
plt.legend()
plt.savefig(output_folder + "kinematic_plot_fourier.png")

优点：完美保留周期性，间隙填充完全符合信号的周期规律；缺点：如果数据有非周期噪声，插值会保留噪声，需要先做滤波处理。

方案2：周期性样条插值 #

scipy的样条插值支持周期性边界条件，强制插值函数在首尾处连续且导数匹配，这样就能按照数据的周期趋势填充间隙。

示例代码：

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

# 注意：需要确保数据首尾的加速度值接近（符合周期特征），如果差距大可以手动调整或截断
# 创建周期性三次样条插值函数
cs = CubicSpline(time, acceleration, bc_type='periodic')

# 生成新的时间点
new_time = np.arange(np.min(time), np.max(time), 0.1)
new_acc = cs(new_time)

# 绘图展示
plt.figure(figsize=(14,8))
plt.scatter(time, acceleration, c='red', s=10, label='Original Data')
plt.scatter(new_time, new_acc, c='green', s=1, label='Periodic Spline Interpolation')
plt.title('Periodic Cubic Spline Interpolated Acceleration')
plt.xlabel('Time [s]')
plt.ylabel('Acceleration')
plt.legend()
plt.savefig(output_folder + "kinematic_plot_spline.png")

优点：比傅里叶插值更灵活，能适配周期略有变化的数据；缺点：对首尾数据的周期性一致性要求较高，否则插值结果会在首尾处出现偏差。

方案3：拟合周期函数后插值 #

如果你能明确加速度的周期（比如已知是简谐运动），可以先拟合一个周期模型（比如正弦/余弦组合），再用拟合模型生成间隙处的数据。

示例代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# 定义周期拟合函数（以正弦函数为例）
def periodic_func(t, A, omega, phi, offset):
    return A * np.sin(omega * t + phi) + offset

# 拟合原始数据
popt, _ = curve_fit(periodic_func, time, acceleration)
A_fit, omega_fit, phi_fit, offset_fit = popt

# 生成插值数据
new_time = np.arange(np.min(time), np.max(time), 0.1)
new_acc = periodic_func(new_time, *popt)

# 绘图展示
plt.figure(figsize=(14,8))
plt.scatter(time, acceleration, c='red', s=10, label='Original Data')
plt.scatter(new_time, new_acc, c='purple', s=1, label='Fitted Periodic Model')
plt.title('Fitted Periodic Function Interpolation')
plt.xlabel('Time [s]')
plt.ylabel('Acceleration')
plt.legend()
plt.savefig(output_folder + "kinematic_plot_fit.png")

优点：完全基于物理模型，结果最符合预期的周期规律；缺点：需要提前明确周期函数的形式，如果数据是复杂周期（多频率叠加），拟合难度会增加。

内容的提问来源于stack exchange，提问作者taanIsHere