### 使用 Python 和 Matplotlib 绘制平滑函数曲线 绘制平滑的函数曲线通常涉及以下几个方面：数据插值、曲线拟合以及应用滤波器。以下是几种常见的方法及其实现。 #### 方法一：高斯滤波法 通过 `scipy.ndimage.gaussian_filter1d()` 函数可以对原始数据进行平滑处理，从而生成更光滑的曲线[^1]。这种方法适用于噪声较大的数据集。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.ndimage import gaussian_filter1d x = np.array([1, 2, 3, 4, 5, 6, 7]) y = np.array([100, 50, 25, 12.5, 6.25, 3.125, 1.5625]) # 应用高斯滤波器 sigma = 5 y_smoothed = gaussian_filter1d(y, sigma=sigma) plt.figure(figsize=(8, 6)) plt.plot(x, y, 'o-', label='Original Data') plt.plot(x, y_smoothed, '--', label=f'Smoothed (σ={sigma})') plt.title("Smooth Curve with Gaussian Filter", fontsize=14) plt.xlabel("X-axis", fontsize=12) plt.ylabel("Y-axis", fontsize=12) plt.legend() plt.grid(True) plt.show() ``` --- #### 方法二：样条插值法 `scipy.interpolate.splrep()` 和 `scipy.interpolate.splev()` 可用于创建 B 样条插值曲线。此方法适合于需要精确控制平滑程度的情况。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import splrep, splev x = np.array([1, 2, 3, 4, 5, 6, 7]) y = np.array([100, 50, 25, 12.5, 6.25, 3.125, 1.5625]) # 创建新的 x 数据点以增加分辨率 x_new = np.linspace(min(x), max(x), 300) # 计算三次样条插值 tck = splrep(x, y, s=0) # 参数s表示平滑因子，默认为0（完全拟合） y_spline = splev(x_new, tck) plt.figure(figsize=(8, 6)) plt.plot(x, y, 'o-', label="Original Data") plt.plot(x_new, y_spline, '-', label="Cubic Spline Interpolation") plt.title("Spline Interpolation for Smooth Curves", fontsize=14) plt.xlabel("X-axis", fontsize=12) plt.ylabel("Y-axis", fontsize=12) plt.legend() plt.grid(True) plt.show() ``` --- #### 方法三：多项式拟合法 如果已知目标函数的形式或者希望近似表达其趋势，则可以通过 `numpy.polyfit()` 进行多项式拟合[^2]。 ```python import numpy as np import matplotlib.pyplot as plt x = np.array([1, 2, 3, 4, 5, 6, 7]) y = np.array([100, 50, 25, 12.5, 6.25, 3.125, 1.5625]) # 多项式拟合（这里选择二次方程作为例子） degree = 2 coefficients = np.polyfit(x, y, degree) polynomial = np.poly1d(coefficients) x_new = np.linspace(min(x), max(x), 300) y_poly = polynomial(x_new) plt.figure(figsize=(8, 6)) plt.plot(x, y, 'o-', label="Original Data") plt.plot(x_new, y_poly, '-', label=f"Polynomial Fit (Degree {degree})") plt.title("Polynomial Fitting for Smooth Curves", fontsize=14) plt.xlabel("X-axis", fontsize=12) plt.ylabel("Y-axis", fontsize=12) plt.legend() plt.grid(True) plt.show() ``` --- 以上三种方法分别展示了如何通过对数据进行平滑处理、插值计算或拟合操作来获得更加流畅的可视化效果。具体选用哪种方式取决于实际需求和数据特性。