初级解决方案

作为初学者，我只需要对0附近的值进行简单的线性插值。我的意思是找到y=0周围x和y点之间的斜率和y截距，并使用它来找到y=0处x的近似解。

import numpy as np
import matplotlib.pyplot as plt

x = [0, 50, 100, 150, 200]
y = [0.166, 0.282, 0.032, -0.124, -0.292]

slope = (y[3] - y[2]) / (x[3] - x[2]) # Find the slope between (100,0.032) and (150,-0.124)
y_int = y[3] - (slope * x[3])         # Find y-intercept at some point (I just chose 3)

print((0 - y_int) / slope)            # y = mx + b --> x = (y - b)/m

我假设既然你正在上一门初学者课程，这可能是一个足够好的解决方案。但是，还有其他方法可以解决这个问题！

更多趣味解决方案：SciPy插值

为了澄清@jared在他的评论中所说的内容，您可以创建一条样条或“最佳拟合线”，以尽可能地拟合数据，导出样条函数的多项式，并求解该函数的y = 0。SciPy有一些非常酷的工具可以让你做到这一点。在我看来，这不是最适合初学者的解决方案，但它非常有用。

import numpy as np
from scipy.interpolate import make_interp_spline, PPoly
import matplotlib.pyplot as plt

x = [0, 50, 100, 150, 200]
y = [0.166, 0.282, 0.032, -0.124, -0.292]

spline = make_interp_spline(x, y, k=3) # Create a cubic spline from the data
curve  = PPoly.from_spline(spline)     # Create a piecewise polynomial object; in essence, y = curve(x)
print(curve.solve(y=0))                # Solve for y = 0

为了创建样条，我设置k=3来指定三次样条;但是，设置k=2或k=4也有效。设置k=1可能不是最好的选择，因为这将创建一个线性样条，并且似乎您的数据从正趋势切换到负趋势，这意味着您在y=0处对x的解决方案可能不准确。
定义curve的第二行使用了SciPy中一个很酷的类PPoly，你可以在documentation中读到一些。从本质上讲，样条曲线被转换成一个分段函数，可以在任何y点求解。
在运行这个之前，请确保安装带有pip install scipy的SciPy。希望这有帮助！