小y值下InterpolatedUnivariateSpline与interp1d三次样条未过全部节点问题

我懂你遇到的困扰了——在用Scipy的三次样条工具平滑概率密度函数（PDF）时，一旦遇到y值极小的节点，InterpolatedUnivariateSpline或者interp1d经常会“漏掉”这些点，没法严格穿过它们。这其实是浮点数值精度限制和样条插值特性共同导致的，咱们可以通过几个针对性的方法解决：

一、先搞懂为什么会出现这个问题 #

• 三次样条的核心是平衡平滑性和插值精度，默认的平滑因子会优先保证曲线整体流畅，当某些节点的y值远小于周围数据时，插值器可能会“忽略”这些极小值来避免曲线振荡。
• 当y值小到接近浮点运算的精度下限（比如小于1e-16），计算机没法精确存储这些数值，会自动近似为0，插值器自然没法准确贴合这些点。

二、针对性解决方案 #

1. 强制插值器严格穿过所有节点（最直接） #

对于InterpolatedUnivariateSpline，默认的平滑因子s会自动调整平滑程度，咱们直接把s设为0，就能强制它严格经过每一个输入节点：

from scipy.interpolate import InterpolatedUnivariateSpline

# 假设x是你的自变量，y是PDF的极小值序列
spl = InterpolatedUnivariateSpline(x, y, s=0)
# 验证：插值后的结果和原始节点值是否接近
print("是否严格经过原始节点：", np.allclose(spl(x), y))

注意：如果你的原始数据带有噪声，强制过点可能会导致曲线出现小振荡，但PDF的采样点一般是干净的，这个方法完全适用。

对于interp1d，只要保证输入的x是严格单调递增的，选择kind='cubic'就会默认严格过点：

from scipy.interpolate import interp1d

# 先确保x严格单调（PDF的x轴比如分位数一般满足，但最好检查）
assert np.all(np.diff(x) > 0), "x必须是严格单调递增的序列"
f = interp1d(x, y, kind='cubic', fill_value="extrapolate")
# 验证
print("是否严格经过原始节点：", np.allclose(f(x), y))

2. 对数变换避免极小值的数值精度问题 #

因为PDF的值都是非负的，咱们可以先对y值做对数变换，把极小值放大到正常数值范围，插值完成后再用指数变换还原，完美规避浮点精度限制：

import numpy as np
from scipy.interpolate import InterpolatedUnivariateSpline

# 给极小值加一个下限，避免取对数时出现-inf
y_log = np.log(np.maximum(y, 1e-15))
# 用对数后的值做插值
spl_log = InterpolatedUnivariateSpline(x, y_log, s=0)
# 还原回原始尺度
y_smoothed = np.exp(spl_log(x_new))

3. 预处理极小值节点 #

如果某些极小值是噪声或者不需要保留的，可以先过滤掉；如果必须保留，可以给所有y值加一个极小的偏移量（比如1e-16），让它们脱离浮点精度的盲区：

# 给y值加极小偏移
y_adjusted = y + 1e-16
spl = InterpolatedUnivariateSpline(x, y_adjusted, s=0)

注意：加偏移后要记得后续如果需要PDF归一化，要重新计算积分调整。

三、结合你的代码的完整示例 #

import math
import pandas as pd
import numpy as np
from scipy.stats import norm
from scipy.interpolate import InterpolatedUnivariateSpline, interp1d

def main():
    breadth = 0.60
    stepsize = 0.01
    mean = 0.0
    stdev = 0.02
    # 生成x轴数据
    x = np.arange(-breadth/2, breadth/2 + stepsize, stepsize)
    # 生成正态分布PDF，并模拟极小值节点
    y = norm.pdf(x, loc=mean, scale=stdev)
    y[::10] = 1e-18  # 每隔10个点设置一个极小值，模拟你的场景

    # 方法1：强制过点的样条插值
    spl = InterpolatedUnivariateSpline(x, y, s=0)
    x_new = np.arange(-breadth/2, breadth/2, 0.001)
    y_smooth1 = spl(x_new)
    print("方法1：是否经过原始节点：", np.allclose(spl(x), y))

    # 方法2：对数变换插值
    y_log = np.log(np.maximum(y, 1e-15))
    spl_log = InterpolatedUnivariateSpline(x, y_log, s=0)
    y_smooth2 = np.exp(spl_log(x_new))

    # 方法3：interp1d三次插值
    f = interp1d(x, y, kind='cubic')
    y_smooth3 = f(x_new)
    print("方法3：是否经过原始节点：", np.allclose(f(x), y))

if __name__ == "__main__":
    main()

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