拉格朗日插值多项式数值实验：Python实现与误差分析

这一学期第一次数值计算实验，正好抽到拉格朗日插值多项式。实验要求并不复杂：给定一个连续函数在若干个点上的取值，构造一个低次多项式穿过这些点，然后用它近似未知位置的函数值。真正跑起来才发现，公式虽然只有一个，但代码细节和误差分析能牵扯出一堆问题。这篇文章把我从零开始做实验的完整过程写下来，包括公式拆解、Python 实现、节点选取、误差观察和常见报错，希望能给正在做同类实验的同学一点参考。

1. 拉格朗日插值的核心思路与实验目标

1.1 从“过已知点找未知点”说起

插值问题可以概括成一句话：已知 n+1 个点 ((x_0, y_0), (x_1, y_1), \dots, (x_n, y_n))，找一个次数不超过 n 的多项式 (P(x))，让它在每个节点上都满足 (P(x_i) = y_i)。为什么限定“次数不超过 n”？因为 n+1 个插值条件正好能确定 n+1 个未知系数。次数更高会产生无数解，次数更低往往根本没有解，所以“恰好 n 次”是插值问题里最自然的选择。

实现插值多项式有好几条路，最直接的想法是把多项式系数当作未知数，列一个线性方程组来解。这个思路没有错，但实验里很少有人这么做，因为线性方程组的系数矩阵经常是病态的，节点一多，求解结果就会被舍入误差污染。拉格朗日插值绕开了方程组，直接构造一个满足条件的多项式，好处是程序实现简单、数学含义清晰，坏处是每增加一个节点，所有基函数都要重新算一遍。这一点在后面做节点数对比实验时会有直观感受。

还有一个很容易被忽略的性质：满足同样插值条件的多项式是唯一的。也就是说，不管用什么方法构造，只要次数不超过 n 且通过全部节点，结果在数学上就应该是同一个多项式。这个性质用来调试程序特别有用。如果手写的拉格朗日结果和用其他插值方法算出来的结果明显不一致，多半不是“方法不同”，而是代码里有 bug。

1.2 拉格朗日基函数到底在干什么

拉格朗日插值多项式的一般形式是：

[ P(x) = \sum_{k=0}^{n} y_k , l_k(x) ]

其中基函数

[ l_k(x) = \prod_{\substack{j=0 \ j \neq k}}^{n} \frac{x - x_j}{x_k - x_j} ]

理解这个式子的关键，是看基函数 (l_k(x)) 在节点上的取值。把 (x = x_k) 代进去，分子里每一项都变成 (x_k - x_j) 除以自己，结果整体等于 1；把 (x = x_j)（(j \neq k)）代进去，分子中一定有一项是 (x_j - x_j = 0)，所以整个基函数等于 0。于是每个基函数只在自己的节点上“亮灯”，在其他节点上都是“熄灯”状态。

再把所有 (y_k , l_k(x)) 加起来，在每个节点 (x_i) 处，除了 (y_i , l_i(x_i)) 这一项是 (y_i \times 1)，其余项的基函数全是 0，所以最终值恰好等于 (y_i)。整个过程不需要解任何方程。

用生活里的类比来说，每个基函数就像一张“选票”，它在自己所属的节点上权重为 1，在其他节点上权重为 0。把 n+1 张选票按对应的 (y_k) 加权混合，最后得到的曲线自然会在每一个投票站都准确命中已知值。这个“权重”视角，比死记公式更容易迁移到分段插值和样条插值里。

1.3 实验目标与评价指标

这个实验表面上只是“实现一个公式”，但真正要回答的问题是：插值多项式到底能不能可靠地逼近原函数？误差有多大？节点数量增加后，误差是否一定变小？

因此我给自己定了几条具体目标：第一，验证插值多项式确实通过所有已知节点；第二，通过测试函数对比插值结果和真实函数，计算误差；第三，观察节点数增加之后误差的变化趋势，尤其要留意高次插值可能出现的振荡；第四，把代码封装成可复用的函数，方便后面的实验直接调用。

误差评价通常用最大绝对误差：

[ E_{\max} = \max_{x \in [a,b]} |f(x) - P(x)| ]

实际计算时，会在插值区间内取一组足够密的评估点，逐点计算差值的绝对值，再取最大。如果实验数据来自某个已知函数，这套误差计算完全没有问题；如果手里只有一批离散采样点、没有真实函数，那就只能从插值曲线的形态来做定性判断。所以做实验时最好选一个有明确表达式的函数来生成节点数据，否则误差分析无从谈起。

2. 实验环境与关键工具选型

2.1 环境组合：解释器、库、绘图后端

我这边用的是 Python 3.11，配合 NumPy 和 Matplotlib。Python 做数值计算实验的好处是迭代快，不用处理编译问题；NumPy 负责数组运算，Matplotlib 负责画插值曲线和误差分布图。如果只想在命令行里看到几个数值，用标准库里的 math 也能写完核心逻辑，但实验报告通常需要图像对比，所以绘图库基本逃不掉。

绘图前最好先把中文字体设置好，不然图上出现乱码，写报告会心态崩溃。我一般会在脚本开头加上：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei'] plt.rcParams['axes.unicode_minus'] = False

第一行让 Matplotlib 优先使用系统中文字体，第二行解决负号显示成方块的问题。如果当前机器没有这两个字体，运行时会报 findfont 警告，这时与其折腾系统装字体，不如直接把图里的标签全部改成英文，数据分析和实验逻辑并不会受影响。多留几分钟给实验本身，比花一小时调字体更划算。

2.2 该不该用现成库函数

很多科学计算库已经提供了拉格朗日插值的现成实现，比如 SciPy 里就有对应接口。第一次做实验的时候，我不建议直接调它，因为实验的核心不是“得到插值结果”，而是“用代码把算法的每一步映射出来”。手写一遍双重循环之后，你对基函数性质、累乘过程中的分母处理、节点处除零问题都会留下非常具体的印象，这些是调用现成函数学不到的。

但现成函数也不是完全没用。我的习惯是：手写版本跑通之后，再调用现成实现做交叉验证。如果两者在非节点位置上的结果相差很大，说明手写代码里很可能有隐藏的 bug。这个“对照实验”的思路，比反复检查代码更高效，因为很多索引错误和浮点错误一眼看不出来，但两个实现一对比，问题马上暴露。

2.3 函数接口设计：从输入输出倒推

写代码之前先想清楚接口。我设计的函数签名是：

def lagrange_interpolate(x_nodes, y_nodes, x): ...

其中 (x) 既可以是标量，也可以是一维数组。为什么一定要支持数组？因为画连续曲线时，要对几百个点求插值；计算误差时，也要对密排的评估点逐个求值。如果函数只支持标量输入，主程序里就要写 for 循环，代码显得啰嗦，而且很容易因为列表和数组混用产生维度问题。

为了让调用方少踩坑，函数在返回时做了一个细节处理：如果传入的 (x) 是标量，返回 float 标量；如果传入的是数组，则返回 ndarray。实现时用np.isscalar(x)判断一下就行。这个设计看起来很小，但能避免很多后续“标量/数组维度不匹配”的报错。

3. 实验实现的完整过程

3.1 手写拉格朗日基函数

下面是我实验中使用的主函数。它没有把基函数单独抽成另一个函数，而是直接用双重循环实现，这样结构紧凑，也方便在循环里打印中间结果调试。

import numpy as np def lagrange_interpolate(x_nodes, y_nodes, x): x_nodes = np.asarray(x_nodes, dtype=float) y_nodes = np.asarray(y_nodes, dtype=float) x_arr = np.atleast_1d(np.asarray(x, dtype=float)) result = np.zeros_like(x_arr) for i, xi in enumerate(x_arr): # 如果求值点正好是某个节点，直接赋对应 y 值，避免 0/0 match = np.where(np.isclose(xi, x_nodes, rtol=0, atol=1e-12))[0] if len(match) > 0: result[i] = y_nodes[match[0]] continue total = 0.0 for k in range(len(x_nodes)): basis = 1.0 for j in range(len(x_nodes)): if j == k: continue basis *= (xi - x_nodes[j]) / (x_nodes[k] - x_nodes[j]) total += y_nodes[k] * basis result[i] = total return result.item() if np.isscalar(x) else result

代码里最需要注意的就是节点匹配这一小段。如果用最“教科书”的实现，当 (x) 恰好等于某个节点 (x_k) 时，对应基函数的分子分母都会变成 0，Python 会给出 nan。这个 nan 会默默污染整个结果，画图时表现为曲线上出现一个“缺口”。我选择在进入双重循环前先判断求值点是否与某个节点重合，重合就直接取 (y) 值。因为插值多项式在节点处的精确值就是已知的 (y) 值，这样处理既正确，又绕开了数值陷阱。

这个函数的复杂度大约是 (O(m n^2))，其中 (m) 是待求值点个数，(n) 是节点数。实验规模小，完全没问题；但如果节点数到 100 以上，耗时和浮点误差都会明显上升，这也是拉格朗日插值不太适合高次、大节点集的原因之一。

3.2 小规模验证：三点测试

写完函数后，先不要急着上大规模数据，拿一组简单点验证一下。我习惯用三个节点做二次插值试验：

x_nodes = np.array([0, 1, 2]) y_nodes = np.array([1, 3, 2]) x_test = np.linspace(-0.5, 2.5, 300) y_test = lagrange_interpolate(x_nodes, y_nodes, x_test)

然后用 Matplotlib 把节点和插值曲线画在同一张图里：

plt.scatter(x_nodes, y_nodes, color='red', label='已知节点') plt.plot(x_test, y_test, label='拉格朗日插值曲线') plt.grid(True) plt.legend() plt.savefig('verify_3nodes.png', dpi=150)

画图时故意把横轴范围从 -0.5 延伸到 2.5，比节点区间稍微大一点。这样能看到插值多项式在节点区间外的走向。注意：区间外的部分可以观察趋势，但不能当作误差评价区域，因为插值多项式的外推行为通常非常不可靠。

更严格的自检方式是拿一个已知多项式来做验证。比如函数 (f(x) = 3x^2 + 2x + 1)，取 5 个节点生成数据，再对插值结果和真实函数逐点比较。理论上拉格朗日插值对同阶多项式可以精确还原，所以误差应该只在浮点舍入级别。如果出现明显偏差，说明代码里一定有索引或算术逻辑错误。这个测试只花几分钟，却能排掉一半以上的低级 bug。

3.3 用典型函数观察高次插值问题

验证完正确性，接下来进入实验的重头戏：观察高次插值的稳定性。我选的测试函数是

[ f(x) = \frac{1}{1 + 25x^2}, \quad x \in [-1, 1] ]

这个函数本身光滑连续，但用等距节点做高次插值时，两端会剧烈振荡，是数值分析里最经典的“反面教材”之一。实验流程是这样：分别取 5、10、15 个等距节点，生成插值多项式，再计算插值区间内密集采样点上的最大绝对误差。

def runge_func(x): return 1.0 / (1.0 + 25.0 * x**2) x_eval = np.linspace(-1, 1, 1000) f_ture = runge_func(x_eval) for n in [5, 10, 15]: x_nodes = np.linspace(-1, 1, n) y_nodes = runge_func(x_nodes) y_interp = lagrange_interpolate(x_nodes, y_nodes, x_eval) max_err = np.max(np.abs(f_ture - y_interp)) print(f"节点数 n = {n:2d}, 最大绝对误差 = {max_err:.6e}")

注意节点数和多项式次数的关系：n 个节点对应次数 n-1。所以 n=15 时，插值多项式的次数是 14，已经相当高了。我这里跑出来的误差变化趋势很典型：

从数值上可以清楚看到，节点数增加并没有让误差单调下降，反而在端点附近越插值越离谱。这个现象就是高次插值的“过拟合”问题：多项式虽然严格穿过所有已知点，但在节点之间的自由度太大，可以做出非常剧烈的弯曲。

如果想对比改进方案，可以把等距节点换成切比雪夫节点：

k = np.arange(n) x_nodes = np.cos(np.pi * (2 * k + 1) / (2 * n))

切比雪夫节点在端点附近更密集，能显著抑制这种振荡。如果实验报告篇幅允许，建议把等距节点和切比雪夫节点的插值曲线放在同一张图里对比，结论会非常直观：同样的节点数量、同样的被插函数，仅仅改变节点分布方式，误差就能差出几个数量级。

3.4 误差分析与图像标注

计算误差时有个容易犯的错：拿“另一组插值点”的插值结果去当真实值。这种循环论证会让误差分析失去意义。正确做法是基于已知函数 (f(x)) 在同一组评估点上的函数值，逐点求插值结果的绝对误差。

误差不是只给一个最大数值就行，建议再画一条“误差分布曲线”：

err = np.abs(f_ture - y_interp) plt.figure() plt.semilogy(x_eval, err) plt.xlabel('x') plt.ylabel('绝对误差') plt.title('误差随 x 的分布') plt.grid(True) plt.savefig('error_distribution.png', dpi=150)

使用半对数坐标是因为高次插值的误差经常跨越多个数量级，线性坐标下，端点处的巨大误差会把中间部分的细节压成一条直线。换成对数坐标后，误差在两端多大、中间多小，一眼就能看清楚。

从误差分布图上通常能看到一个规律：误差集中出现在区间端点附近，中心区域反而很准。这个特征比单个最大误差值更有说服力，实验报告里最好同时给出数值表和误差分布图。另外，比较不同节点数误差时，评估点的范围和密度要保持一致，否则横轴范围不同，图像和数值都无法对比。

4. 实验中的常见问题与避坑清单

4.1 浮点精度与除零

基函数分母是 (x_k - x_j)。当两个节点靠得非常近，分母就会非常小，整个基函数可能产生巨大的数值；如果累加过程中又遇到符号相反的项，浮点抵消就会让结果失去有效位数。实验里最常见的触发条件是节点重复或节点间距极度不均匀。

比浮点误差更隐蔽的是 0/0 问题。当求值点恰好落在某个节点上时，基函数的分子和分母同时为 0，按最朴素的实现方式会得到 nan。这个 nan 不会自动报警，而是会顺着数组一直传下去，最终反映在绘图上就是曲线断点。我在代码里用np.isclose对求值点提前做节点匹配，正是为了避开这个坑。如果使用更高效的向量化实现，也要记得处理节点位置，否则最后用np.nan_to_num强行补值，只能掩盖问题，不能解决问题。

4.2 高次插值端点振荡的成因

端点振荡的根源是：多项式次数越高，可以弯曲的自由度越大，而等距节点在端点附近稀疏，约束不足，多项式就倾向于用大幅度振荡去“凑”端点处的取值。换个说法，插值条件只保证误差在节点上是 0，并不保证节点之间的误差小，更不保证端点外延区域不发散。

这块要注意：不要以为“节点越多，误差越小”是理所当然的。从实验数据看，等距节点下高次拉格朗日插值并不收敛于原函数。实际工程里遇到节点很多的情况，几乎不会直接使用一个高次全局多项式，而是改用分段低次插值或样条插值。拉格朗日插值实验的价值，恰恰是用一个简单的公式把这个反直觉的现象展示出来。

4.3 运行报错排查速查表

做实验时我遇到过的典型问题，整理成一张表，方便后面快速定位：

报错本身不可怕，可怕的是报错信息只显示在某个隐蔽位置。遇到 nan 时，我的习惯是在双重循环里加几个print，观察是哪一层循环开始出现 inf，这样比盲目改代码快得多。

4.4 实验报告的整理思路

实验报告不是代码粘贴板。我的建议是按下述结构组织：问题描述、算法原理、实现代码、验证与误差、结论。原理部分不要只是抄公式，要把基函数在节点处取 0 或取 1 的性质写清楚，这是整篇报告的理论基石。

验证部分要有层次：先展示三点二次插值的小算例，验证代码正确；再展示龙格函数在 5、10、15 个节点下的插值曲线和误差分布图，讨论误差变化；最后可以加上切比雪夫节点的对比，说明节点分布的影响。每一张图都要有完整坐标轴、图例和标题，别让评审人员去猜图里画的是什么。

结论部分不需要写“这次实验让我收获很多”之类的空话。直接写“在 [-1,1] 上使用等距节点时，节点数从 5 增加到 15，最大绝对误差从约 0.1 量级上升到 10 量级以上，端点振荡明显加剧”，这个结论比任何感想都有说服力。

4.5 写在实验后：几点个人操作习惯

每次做这类数值实验，我都会先用一个已知多项式验证插值代码，再拿“反面教材”做误差分析。这个习惯帮我排掉了至少一半的索引和浮点 bug。节点数永远从少到多，先画 5 个点的曲线，确认没问题再加到 10 个、15 个。不要一上来就跑 20 个点，你以为节省了时间，结果出来的图只剩一团乱线，反而更难排查。

数据我也会顺手存成 CSV 文件，把节点坐标、误差表格都保留下来。后面的分段插值、样条插值实验还能复用同一批数据做横向对比。另外，跑完一个实验不要只存最终结果图，中间过程的误差分布图也值得保留，写报告时这些图随时能用。这些习惯不复杂，但能让后续实验省出很多时间。