使用 SciPy 对高维数组沿指定轴进行线性插值的完整教程-Python教程-PHP中文网

本文详解如何利用 scipy.interpolate.RegularGridInterpolator 对 N 维数据立方体（如 Nx×Ny×Nz）沿第一轴（如 x 轴）高效重采样，生成目标形状（如 Nxnew×Ny×Nz），并提供可扩展至任意维度的通用实现方案。

本文详解如何利用 `scipy.interpolate.regulargridinterpolator` 对 n 维数据立方体（如 nx×ny×nz）沿第一轴（如 x 轴）高效重采样，生成目标形状（如 nxnew×ny×nz），并提供可扩展至任意维度的通用实现方案。

在科学计算与图像/体数据处理中，常需对高维数组（如三维体数据、四维时序场）沿某一维度进行重采样——例如将时间序列沿时间轴插值、将空间场沿某个坐标轴细化分辨率，同时保持其余维度不变。scipy.interpolate.RegularGridInterpolator 是专为此类规则网格插值设计的核心工具，但其输入格式（(..., ndim) 形状的点坐标数组）易引发混淆。本文以三维数据 V.shape == (11, 22, 33) 沿 x 轴插值至 50 个新点为例，系统讲解实现逻辑，并推广至任意维度。

✅ 正确构建插值函数与输入网格

首先，明确原始网格坐标与数据的关系：x0, y0, z0 分别是一维单调递增数组，定义规则网格；V[i,j,k] 对应点 (x0[i], y0[j], z0[k]) 的函数值。推荐使用 np.meshgrid(..., indexing='ij') 生成广播友好的坐标网格，替代三重循环，大幅提升可读性与性能：

import numpy as np
from scipy.interpolate import RegularGridInterpolator

# 原始网格（一维数组）
x0 = np.linspace(1, 4, 11)
y0 = np.linspace(4, 7, 22)
z0 = np.linspace(7, 9, 33)

# 构建三维坐标网格（'ij' 索引确保 V[i,j,k] 对应 (x0[i], y0[j], z0[k])）
x_grid, y_grid, z_grid = np.meshgrid(x0, y0, z0, indexing='ij')
V = 100 * x_grid + 10 * y_grid + z_grid  # 示例函数值

# 创建插值器：传入坐标元组和数据数组
fn = RegularGridInterpolator((x0, y0, z0), V)

✅ 生成目标插值点：关键在于 (..., ndim) 格式

RegularGridInterpolator.__call__() 要求输入 xi 的形状为 (..., ndim)，即最后一个轴必须是坐标维度（此处为 3）。要得到 (50, 22, 33) 输出，需构造一个形状为 (50, 22, 33, 3) 的数组，其中 xi[i,j,k] == [xnew[i], y0[j], z0[k]]。

最简洁可靠的方式是使用 np.stack 沿最后轴拼接：

xnew = np.linspace(2, 3, 50)  # 新的 x 坐标（沿第一轴插值）

# 生成新网格：保持 y0, z0 不变，x 替换为 xnew
x_new_grid, y_new_grid, z_new_grid = np.meshgrid(
    xnew, y0, z0, indexing='ij'
)  # 形状均为 (50, 22, 33)

# 拼接为 (50, 22, 33, 3) —— 最后一维是 [x, y, z]
xi = np.stack((x_new_grid, y_new_grid, z_new_grid), axis=-1)

# 执行插值
out = fn(xi)  # shape: (50, 22, 33)
print("插值结果形状:", out.shape)  # (50, 22, 33)

⚠️ 注意事项：

meshgrid(..., indexing='ij') 是关键：它保证索引顺序与数组维度顺序一致（x→第0维，y→第1维，z→第2维），避免因 'xy' 默认索引导致的维度错位。

np.stack(..., axis=-1) 比 np.concatenate 或 np.moveaxis 更直观安全，不易出错。

插值点 xi 中各坐标数组必须严格匹配原始网格范围（xnew 必须在 [x0.min(), x0.max()] 内），否则会触发 ValueError（可设 bounds_error=False, fill_value=None 处理外推）。

✅ 通用化：任意 N 维数组沿第 k 轴插值

该方法天然支持任意维度。假设你有 D 维数组 V，维度为 (N0, N1, ..., N_{D-1})，对应坐标元组 coords = (x0, x1, ..., x_{D-1})，现需沿第 k 维（0-indexed）插值到 Nk_new 个新点：

定义新坐标 xk_new = np.linspace(..., Nk_new)
使用 meshgrid 生成新坐标网格：将 xk_new 放入第 k 位置，其余保持原 coords[i]
np.stack 拼接所有 D 个网格，axis=-1
调用 fn(xi)

示例（沿第二维 j 插值，即 k=1）：

# 假设 coords = (x0, x1, x2, x3)，V.shape == (N0,N1,N2,N3)
x1_new = np.linspace(5.0, 6.5, 40)
# 构造新网格：[x0, x1_new, x2, x3]
grids = [x0[:, None, None, None],      # (N0,1,1,1) → broadcast to (N0,40,N2,N3)
         x1_new[None, :, None, None],  # (1,40,1,1)
         x2[None, None, :, None],      # (1,1,N2,1)
         x3[None, None, None, :]]      # (1,1,1,N3)
# 更推荐统一用 meshgrid（显式指定各维）：
x0g, x1g, x2g, x3g = np.meshgrid(
    x0, x1_new, x2, x3, indexing='ij'
)
xi_4d = np.stack((x0g, x1g, x2g, x3g), axis=-1)  # (N0,40,N2,N3,4)
out_4d = fn_4d(xi_4d)  # fn_4d = RegularGridInterpolator(coords, V)