scipy.interpolate.

近似泰勒多项式

scipy.interpolate.approximate_taylor_polynomial(f, x, degree, scale, order=None)

通过多项式拟合估计 f 在 x 处的泰勒多项式。

参数:

f可调用

寻求其泰勒多项式的函数。应接受一个 x 值的向量。

x标量

多项式要被计算的点。

度整数

泰勒多项式的次数

比例标量

用于评估泰勒多项式的区间宽度。在这个范围内分布的函数值用于拟合多项式。必须仔细选择。

顺序int 或 None, 可选

用于拟合的多项式阶数；f 将被评估 order+1 次。如果为 None，则使用 degree。

返回:

ppoly1d 实例

泰勒多项式（平移到原点，例如 p(0)=f(x)）。

注释

选择合适的“尺度”是一个权衡；太大，函数与其泰勒多项式的差异过大，无法得到好的答案，太小，舍入误差会淹没高阶项。即使在理想情况下，所使用的算法在阶数30左右也会变得数值不稳定。

选择比度数稍大的阶数可能会改善高阶项。

示例

Try it in your browser!

我们可以计算不同次数的正弦函数的泰勒近似多项式：

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> from scipy.interpolate import approximate_taylor_polynomial
>>> x = np.linspace(-10.0, 10.0, num=100)
>>> plt.plot(x, np.sin(x), label="sin curve")
>>> for degree in np.arange(1, 15, step=2):
...     sin_taylor = approximate_taylor_polynomial(np.sin, 0, degree, 1,
...                                                order=degree + 2)
...     plt.plot(x, sin_taylor(x), label=f"degree={degree}")
>>> plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left',
...            borderaxespad=0.0, shadow=True)
>>> plt.tight_layout()
>>> plt.axis([-10, 10, -10, 10])
>>> plt.show()

Go BackOpen In Tab