scipy包提供了幾種通用的插補工具，分別用於1維，2維或高維的資料集，分別是：
類 interp1d 用於對一維資料進行插補類 griddata 提供了對1D，2D和高維資料進行插補的工具。spline插補， 用於對一維和二維資料進行平滑的cubic-spline 插補使用基於徑向的函式（RBF）進行插值這些方法都整合在scipy.interpolate模組中。
一，interp1d類一維插補類(interp1d)，是一種基於一維固定資料點建立函式的便捷方法，該函式內推一個一元的函式f，使得 y=f(x)：
scipy.interpolate.interp1d(x, y, kind='linear', axis=-1, copy=True, bounds_error=None, fill_value=nan, assume_sorted=False)kind 引數用於指定內推的型別，(‘linear’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘previous’, ‘next’和 ‘nearest’。對於'linear'，是預設值，表示線性插補，前面已描述；對於 ‘zero’, ‘slinear’, ‘quadratic’ 和 ‘cubic’ 引用的是spline內推，使用 zeroth, first, second 和 third 順序。對於 ‘previous’ 、 ‘next’ 和 ‘nearest’ 簡單返回資料點的前一個、後一個或最近的一個數據。
舉個例子，使用interp1d內推兩個函式，並繪製兩個函式插補的資料點：
>>> import scipy>>> from scipy.interpolate import interp1d>>> x = np.linspace(0, 10, num=11, endpoint=True)>>> y = np.cos(-x**2/9.0)>>> f = interp1d(x, y)>>> f2 = interp1d(x, y, kind='cubic')>>> xnew = np.linspace(0, 10, num=41, endpoint=True)>>> import matplotlib.pyplot as plt>>> plt.plot(x, y, 'o', xnew, f(xnew), '-', xnew, f2(xnew), '--')>>> plt.legend(['data', 'linear', 'cubic'], loc='best')>>> plt.show()對於多維的資料，維度之間是相互關聯的，例如，age、education和income是相互關聯的，可以認為income = f(age,education)。對於二維資料，使用griddata 內推一個二元函式，z=f(x,y)。
scipy.interpolate.griddata(points, values, xi, method='linear', fill_value=nan, rescale=False)引數註釋：
points：自變數，對於二元函式而言，points是指由(x,y)構成的資料點values：因變數，values是指某一個數據點的值，對於二元函式而言，資料點(x,y)的值是z=f(x,y)xi：座標系，或者說是資料點在座標系中的位置，也可以把points的值作為座標系的x和y軸，把values作為座標系的z軸method：有效值是‘linear’, ‘nearest’, ‘cubic’三，spline類一維spline的處理過程分為兩個基本步驟：計算曲線的spline表示，對目標點進行評估。scipy有兩種方式來計算曲線的spline表示和平滑係數：直接方式和引數化方式。
1，直接方式
直接方式使用splrep()函式從2維平面中查詢曲線的spline表示，x和y是曲線在二維座標系中的座標。
splrep()函式的作用是對於給定資料點集（x [i]，y [i]），確定在間隔xb <= x <= xe上平滑度為k的近似值。
scipy.interpolate.splrep(x, y, w=None, xb=None, xe=None, k=3, task=0, s=None, t=None, full_output=0, per=0, quiet=1)引數註釋：
x和y定義一個曲線，y=f(x)w 權重，用於在spline擬合時計算加權最小二乘法的值，w的預設值為1/(len(x))。如果y值中的誤差是向量d給出的標準偏差，則w應為1 / d。xb，xe：用於擬合的間隔，如果沒有指定，那麼預設值分別是x[0] 和 x[-1]。k 用於指定spline order，預設值是3，字串表示為cubic，k的取值區間是[1,5]s 用於制定平滑條件，滿足以下條件來確定平滑度：sum（（w *（y-g））** 2，axis = 0）<= s，其中g（x）是（x，y）的平滑插值。 使用者可以使用s來控制貼合度和平滑度之間的權衡，較大的s表示更平滑，而較小的s值表示較不平滑。s的推薦值取決於權重w。 如果權重代表y的標準偏差的倒數，則應在（m-sqrt（2 * m），m + sqrt（2 * m））範圍內找到一個好的s值，其中m是 x，y和w中的資料點。 預設值：如果提供了權重，則s = m-sqrt（2 * m）。 如果未提供權重，則s = 0.0（內插）。該函式輸出的結果是一個三元組tck，這個三元組就是曲線的spline表示，用於表示曲線的節點向量、係數和spline序號，預設的spline orde是cubic，這可以透過k引數來修改。一旦確定了曲線的spline表示，就可以使用splev()函式對x進行評估：
scipy.interpolate.splev(x, tck, der=0, ext=0)舉個例子，使用splrep()函式來獲取曲線的spline表示，也就是tck，再透過tck和splev()函式來評估曲線：
>>> import matplotlib.pyplot as plt>>> from scipy.interpolate import splev, splrep>>> x = np.linspace(0, 10, 10)>>> y = np.sin(x)>>> spl = splrep(x, y)>>> x2 = np.linspace(0, 10, 200)>>> y2 = splev(x2, spl)>>> plt.plot(x, y, 'o', x2, y2)>>> plt.show()2，引數化方式
對於在N維空間中的區間，使用函式splprep()來定義曲線的引數：
scipy.interpolate.splprep(x, w=None, u=None, ub=None, ue=None, k=3, task=0, s=None, t=None, full_output=0, nest=None, per=0)引數註釋：
x：代表N維空間中曲線的N個數組的列表，每個陣列的長度都是曲線的點的數量，每一個數組都提供N維資料點的一個分量。u：是引數值的陣列，該引數預設為0到1之間的等距單調序列，計算公式是：M = len(x[0]), where v[0] = 0v[i] = v[i-1] + distance(x[i], x[i-1])u[i] = v[i] / v[M-1]
ub,ue：引數間隔的端點，預設值是 u [0]和u [-1]。k：spline擬合的度，推薦使用預設值k=3，表示cubic，k的取值區間是[1,5]s：平滑度，是0到1之間的小數，0表示不平滑，值越大，平滑度越高。per：如果非0，那麼把資料點視為週期性曲線，週期為x [m-1]-x [0]，並返回平滑的週期樣條近似。預設輸出包含兩個物件：第一個物件是一個三元祖(t,c,k)，分別表示曲線的節點向量、係數和spline序號；第二個物件是一個引數變數u。
對於函式splprep() 返回的spline表示，使用splev()函式來評估
>>> from scipy.interpolate import splprep, splev>>> tck, u = splprep([x, y], s=0)>>> new_points = splev(u, tck)>>> import matplotlib.pyplot as plt>>> fig, ax = plt.subplots()>>> ax.plot(x, y, 'ro')>>> ax.plot(new_points[0], new_points[1], 'r-')>>> plt.show()