本文介绍如何通过插值对齐两个长度不同的曲线数据，进而准确计算其在相同横坐标下的最大相对误差（即最大归一化差值）。
本文介绍如何通过插值对齐两个长度不同的曲线数据，进而准确计算其在相同横坐标下的最大相对误差（即最大归一化差值）。
在科学计算与仿真验证中，常需比较两条基于不同网格密度或采样率生成的曲线（如有限元解A与更精细解B），并量化其差异。由于两组数据点数量不同（例如A含20个点、B含30个点），无法直接逐点相减。核心解决思路是：统一横坐标基准，再计算纵坐标相对误差。
推荐做法是将两组数据共同映射到一个高分辨率、覆盖全定义域的公共横坐标集上，通常采用插值（interpolation） 实现。scipy.interpolate 提供了多种稳健方法，其中 interp1d 最为常用。以下为完整实现流程：
import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt
# 示例数据：两条不同长度的曲线（x可能不完全重合）
x_a = np.linspace(0, 10, 20)
y_a = np.sin(x_a) + 0.02 * np.random.randn(20) # 曲线A（粗网格）
x_b = np.linspace(0, 10, 30)
y_b = np.sin(x_b) # 曲线B（参考真解/细网格）
# 步骤1：构造公共横坐标（建议取并集或更高密度网格）
x_common = np.linspace(min(x_a.min(), x_b.min()),
max(x_a.max(), x_b.max()),
200) # 200点确保平滑对齐
# 步骤2：分别对两条曲线进行插值（线性或三次样条均可）
f_a = interp1d(x_a, y_a, kind='linear', bounds_error=False, fill_value='extrapolate')
f_b = interp1d(x_b, y_b, kind='linear', bounds_error=False, fill_value='extrapolate')
y_a_interp = f_a(x_common)
y_b_interp = f_b(x_common)
# 步骤3：计算相对误差（避免除零，对B加小偏移或掩码处理）
epsilon = 1e-10
relative_error = np.abs((y_a_interp - y_b_interp) / (np.abs(y_b_interp) + epsilon))
# 步骤4：获取最大相对误差及其位置
max_rel_err = np.max(relative_error)
max_idx = np.argmax(relative_error)
x_at_max = x_common[max_idx]
print(f"最大相对误差: {max_rel_err:.6f}（出现在 x ≈ {x_at_max:.4f}）")⚠️ 关键注意事项：
- 插值类型选择：kind='linear' 简单稳定；若原始数据光滑且无噪声，可尝试 'cubic' 提升精度；
- 定义域一致性：确保 x_common 覆盖两组原始 x 的交集（而非并集），否则外推会引入不可靠误差；
- 除零保护：当 y_b 在某点接近零时，相对误差易失真，建议添加小量 epsilon 或仅在 |y_b| > threshold 区域计算；
- 验证插值合理性：可通过绘图叠加原始点与插值曲线，确认无明显失真。
该方法本质是将“离散曲线比较”转化为“连续函数差值分析”，既保留原始数据特征，又规避了因采样不匹配导致的误差低估或误判，是工程实践中鲁棒且可复现的标准方案。
立即学习“Python免费学习笔记（深入）”；
