數據插值可以根據有限個點的取值情況，合理估算出附近其它點的取值，從而節約大量的實驗和測試資源，節省大量的人力物力和財力。
從數學上講，數據插值是一種函數逼近的方法。
interp1()
一維插值函數
例：
Y1=interp1(X,Y,X1,method)
根據X、Y的值，計算函數在X1處的值，其中，X、Y是兩個等長的已知向量，分別表示採樣點和採樣值，X1是一個向量或標量，表示要插值的點。
method函數：
1.linear線性插值，默認方法，將於插值點靠近的兩個數據點用直線鏈接，然後在直線上選取對應插值點的數據。
2.nearest最近點插值，選擇最近樣本點的值作爲插值數據。
3.pchip分段三次埃爾米特插值，除滿足插值條件之外，還需要滿足在若干節點處相鄰段插值函數的一階導數相等，使得曲線光滑的同時，還具有保型性。（就是說曲線連續）
4.spline三次樣條插值，每個分段內構造一個三次多項式，使其插值函數除了滿足插值條件以外，還要求在個結點處具有連續的一階和二階導數。
爲什麼不用更高階的多項式？
多項式並非越高越好，次數越高，越容易產生震盪而偏離原函數，這種現象稱爲龍格（Runge）現象。
函數插值的簡單使用範例：
我用y=x^2來作爲示範
>> x=-2:1:2;
>> y=[4,1,0,1,4];
>> x1=-2:0.01:2;
>> y1=interp1(x,y,x1,'spline');
>> plot(x1,y1)
我們先給定了x和y的五個相對應的函數值，然後用數據插值函數得到步長爲0.01的很多不同的x對應的y值
效果圖：
作爲對比，如果不進行插值，圖像 plot(x,y)是這樣的：
所以插值函數確實很神奇，也在數據分析中及其有用，這也是我做這個博客的目的。
tips：x，y必須是取值一一對應的，否則會返回
錯誤使用 griddedInterpolant
網格矢量未定義與給定值匹配的點網格。
四種method函數的比較
先看一個實例：
>> x=[0,3,5,7,9,11,12,13,14,15];
>> y=[0,1.2,1.7,2.0,2.1,1.8,1.2,1.0,1.6];
>> x1=0:0.1:1.5;
>> y1=interp1(x,y,x1,'spline');
錯誤使用 griddedInterpolant
網格矢量未定義與給定值匹配的點網格。
出錯 interp1 (line 161)
F = griddedInterpolant(X,V,method);
>> y=[0,1.2,1.7,2.0,2.1,2.0,1.8,1.2,1.0,1.6];
>> y1=interp1(x,y,x1,'spline');
>> plot(x1,y1);
>> x1=0:0.1:15;
>> y1=interp1(x,y,x1,'spline');
>> plot(x1,y1);
>>
機動車剎車距離問題
