结果是合乎逻辑的，也是预期的。你不应该使用scipy.interpolate.CubicSpline()来设计2D曲线。那个API是为插值函数而设计的。使用Splipy和Python等库。
在设计二维参数化曲线（x（t），y（t））时，指定曲线上的点而不指定 t 值，在 t 上找到两个独立的样条函数，x（t）和 y（t）。但是在插值函数 y = f（x）时，指定函数上的点包括 x 值，而你只会发现 x 上的一个样条函数。后者并不能给予与原始插值点类似的曲线的所需光滑切线，因为前者具有旋转对称性，而后者没有。
请参阅B样条-计算机辅助设计和计算机图形学以及 The NURBS Book 的第3章，了解有关此主题的理论背景。
下面是使用Splipy库为插值点查找此类参数化曲线的示例。

import numpy as np
import matplotlib.pyplot as plt
import splipy.curve_factory

x = [-0.0243890844, -0.0188174509, -0.00021640210000000056, 0.0202699043, 0.0239562802]
y = [-0.0117638968, 0.00469300617, 0.0177650191, 0.00215831073, -0.0154924048]

interp_points = np.array([x, y]).T

curve = splipy.curve_factory.cubic_curve(interp_points)
t_values = np.linspace(curve.start(0), curve.end(0), 100)
points = curve.evaluate(t_values)

plt.plot(interp_points[:, 0], interp_points[:, 1], 'x')
plt.plot(points[:, 0], points[:, 1])
plt.xlabel('x')
plt.ylabel('y')
plt.show()

字符串
这将输出下图。x1c 0d1x

由于匹配二阶导数的约束，三次样条曲线很容易出现这样的过冲。因此，数据中的微小变化可能会导致曲线本身的巨大变化，包括你在这里看到的。
CubicSpline无法解决这个问题。您可以做的是明确您的要求并选择适当的插值。如果您可以放弃C2要求并且C1插值也可以，您可以使用pchip或Akima1D，如注解中所建议的。如果您想要平滑而不是插值，则可以使用make_smoothing_spline（如注解中所建议的）。