本文介绍如何通过插值对齐两条长度不同的曲线，并准确计算其在公共横坐标下的最大相对误差，适用于仿真结果对比等场景。

本文介绍如何通过插值对齐两条长度不同的曲线，并准确计算其在公共横坐标下的最大相对误差，适用于仿真结果对比等场景。

在科学计算与仿真分析中，常需比较两条由不同网格或步长生成的曲线（如有限元仿真中20节点与30节点解），但二者x坐标不一致、数据点数量不同，无法直接逐点作差。此时，**核心思路是统一横坐标基准——通过插值将两条曲线映射到同一组高密度、覆盖共域的x轴上，再逐点计算相对误差**。

具体实现推荐使用 scipy.interpolate.interp1d 进行一维插值。假设曲线A和B分别由 (x_a, y_a) 和 (x_b, y_b) 表示（长度分别为20和30），步骤如下：

Python 3.14.3

微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。

1. 确定公共定义域：取 x_min = max(x_a.min(), x_b.min()) 与 x_max = min(x_a.max(), x_b.max())，确保只在两者均有定义的重叠区间内比较（避免外推引入偏差）；
2. 构建统一插值网格：例如生成 N=1000 个等距x点 x_common = np.linspace(x_min, x_max, 1000)；
3. 插值得到对齐纵坐标：

   from scipy.interpolate import interp1d
   import numpy as np

假设已加载数据

f_a = interp1d(x_a, y_a, kind='linear', bounds_error=False, fill_value=np.nan)
f_b = interp1d(x_b, y_b, kind='linear', bounds_error=False, fill_value=np.nan)

y_a_interp = f_a(x_common)
y_b_interp = f_b(x_common)

过滤掉插值无效区域（如边界外）

valid_mask = ~np.isnan(y_a_interp) & ~np.isnan(y_b_interp) & (y_b_interp != 0)
y_a_valid = y_a_interp[valid_mask]
y_b_valid = y_b_interp[valid_mask]

计算相对误差：|A - B| / |B|

rel_error = np.abs(y_a_valid - y_b_valid) / np.abs(y_b_valid)
max_rel_error = np.max(rel_error)

⚠️ 注意事项：  
- 插值类型建议优先选 `'linear'`（稳健）或 `'cubic'`（若原始数据光滑且需更高精度）；  
- 必须限制在x轴重叠区间内计算，否则外推结果不可靠；  
- 当 `y_b` 存在接近零值时，相对误差易失真，可添加小量 `eps = 1e-12` 避免除零：`/ (np.abs(y_b_valid) + eps)`；  
- 若原始数据带噪声，可考虑先平滑（如Savitzky-Golay）再插值，提升误差评估鲁棒性。

该方法本质是将“不同分辨率的离散曲线”升维至同一连续表征空间，从而实现严格意义上的逐点误差量化，是工程验证与收敛性分析的标准实践。