python - 查找一维插值函数的最大值/最小值

Question

我有一组数据，我正在使用 kind = 'cubic' 进行插值。

我想找到这个三次插值函数的最大值。

目前我只是在插值数组中找到最大值，但我想知道插值函数作为一个对象是否可以微分来找到它的极值？

代码:

import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt

x_axis = np.array([ 2.14414414,  2.15270826,  2.16127238,  2.1698365 ,  2.17840062, 2.18696474,  2.19552886,  2.20409298,  2.2126571 ,  2.22122122])
y_axis = np.array([ 0.67958442,  0.89628424,  0.78904004,  3.93404167,  6.46422317, 6.40459954,  3.80216674,  0.69641825,  0.89675386,  0.64274198])

f = interp1d(x_axis, y_axis, kind = 'cubic')

x_new = np.linspace(x_axis[0], x_axis[-1],100)

fig = plt.subplots()
plt.plot(x_new, f(x_new))

Answer 1

三次样条的导数是二次样条。 SciPy 只有一个内置方法来查找三次样条的根。所以有两种方法:

1. 使用四次样条进行插值，可以很容易地找到其导数的根。
2. 使用三次样条(通常更可取)，并为其导数的根编写自定义函数。

我在下面描述了这两种解决方案。

四次样条

使用InterpolatedUnivariateSpline .它有 .derivative 方法返回三次样条，.roots 方法可以应用。

from scipy.interpolate import InterpolatedUnivariateSpline
f = InterpolatedUnivariateSpline(x_axis, y_axis, k=4)
cr_pts = f.derivative().roots()
cr_pts = np.append(cr_pts, (x_axis[0], x_axis[-1]))  # also check the endpoints of the interval
cr_vals = f(cr_pts)
min_index = np.argmin(cr_vals)
max_index = np.argmax(cr_vals)
print("Maximum value {} at {}\nMinimum value {} at {}".format(cr_vals[max_index], cr_pts[max_index], cr_vals[min_index], cr_pts[min_index]))

输出:

Maximum value 6.779687224066201 at 2.1824928509277037
Minimum value 0.34588448400295346 at 2.2075868177297036

三次样条

我们需要一个二次样条根的自定义函数。在这里(解释如下)。

def quadratic_spline_roots(spl):
    roots = []
    knots = spl.get_knots()
    for a, b in zip(knots[:-1], knots[1:]):
        u, v, w = spl(a), spl((a+b)/2), spl(b)
        t = np.roots([u+w-2*v, w-u, 2*v])
        t = t[np.isreal(t) & (np.abs(t) <= 1)]
        roots.extend(t*(b-a)/2 + (b+a)/2)
    return np.array(roots)

除了使用自定义求解器之外，现在完全按照上面的方式进行。

from scipy.interpolate import InterpolatedUnivariateSpline
f = InterpolatedUnivariateSpline(x_axis, y_axis, k=3)
cr_pts = quadratic_spline_roots(f.derivative())
cr_pts = np.append(cr_pts, (x_axis[0], x_axis[-1]))  # also check the endpoints of the interval
cr_vals = f(cr_pts)
min_index = np.argmin(cr_vals)
max_index = np.argmax(cr_vals)
print("Maximum value {} at {}\nMinimum value {} at {}".format(cr_vals[max_index], cr_pts[max_index], cr_vals[min_index], cr_pts[min_index]))

输出:

Maximum value 6.782781181150518 at 2.1824928579767167
Minimum value 0.45017143148176136 at 2.2070746522580795

与第一种方法的输出略有差异不是错误； 4 次样条和 3 次样条有点不同。

quadratic_spline_roots的解释

假设我们知道二次多项式在 -1、0、1 处的值为 u、v、w。它在区间 [-1, 1] 上的根是什么？通过一些代数我们可以发现多项式是

((u+w-2*v) * x**2 + (w-u) * x + 2*v) / 2

现在可以使用二次公式，但最好使用np.roots，因为它还会处理前导系数为零的情况。然后将根过滤为 -1 到 1 之间的实数。最后，如果区间是某个 [a, b] 而不是 [-1, 1]，则进行线性变换。

奖励:三次样条在中频处的宽度

假设我们想要找到样条曲线取值等于其最大值和最小值(即中值)的平均值的位置。那么我们绝对应该使用三次样条进行插值，因为现在需要 roots 方法。不能只执行 (f - mid_range).roots()，因为 SciPy 不支持向样条添加常量。相反，构建一个从 y_axis - mid_range 向下移动的样条。

mid_range = (cr_vals[max_index] + cr_vals[min_index])/2
f_shifted = InterpolatedUnivariateSpline(x_axis, y_axis - mid_range, k=3)
roots = f_shifted.roots()
print("Mid-range attained from {} to {}".format(roots.min(), roots.max()))

Mid-range attained from 2.169076230034363 to 2.195974299834667