x_vals = numpy.array([ 0.32570981, 0.65674927, 0.05388209, 0.66994841, 0.92219287, 0.64634817, 0.46404125, 0.6493087 , 0.40439763, 0.02276938])
f_vals = numpy.array([ 0.2122305 , 0.10155667, 0.926836 , 0.04528034, 0.70913838, 0.22110187, 0.82854778, 0.14633049, 0.33287089, 0.83797649])
minima = scipy.signal.argrelmin(f_vals)
# из minima сначала выбираем первый минимум (это первые квадратные скобки),
# потом выбираем первую ось (она же единственная для f_vals),
# это дает индекс для выбирания конкретных значений
f_min = f_vals[minima[0][0]]
x_min = x_vals[minima[0][0]]
Если нужен минимум интерполированной по точкам функции, тогда
# задаем интерполяцию
f_interp = scipy.interpolate.interp1d(x_vals, y_vals, kind='cubic')
# находим первый минимум интерполированной функции
x_min = scipy.optimize.fmin(f_interp, x0=0.5)[0]
f_min = f_interp(x_min)
Детали алгоритмов и особенности применения смотри в документации.