np.interp最快但仅支持线性插值，要求x单调且不生成对象，适合高频调用；多维插值必须用scipy，规则网格选regulargridinterpolator，散点用griddata。
一维插值用 np.interp 最快，但只支持线性
如果你只是把离散点连成直线、查中间值，np.interp 是最轻量的选择。它不依赖 SciPy，纯 NumPy 实现，速度极快，且不生成对象——适合循环中高频调用。
常见错误是传错参数顺序：np.interp(x_new, x, y)，不是 (x, y, x_new)。一旦 x 不严格递增，结果会错得毫无提示。
-
x必须是单调递增（或递减）的一维数组；若乱序，先用np.argsort排序x和y - 超出
x范围的x_new值，默认外推为边界值（不会报错，但可能不是你想要的） - 不支持样条、最近邻等其他插值方式——要这些，必须换
scipy.interpolate
示例：
import numpy as np<br>x = np.array([0, 2, 4, 6])<br>y = np.array([1, 5, 3, 8])<br>x_new = np.array([1, 3, 5])<br>np.interp(x_new, x, y) # → array([3., 4., 5.5])
多维插值必须用 scipy.interpolate，griddata 和 RegularGridInterpolator 选哪个？
NumPy 本身不提供多维插值函数。所谓“NumPy 多维插值”实际是误传，真正干活的是 SciPy。关键在数据结构：规则网格还是散点？
- 输入是规则网格（如图像像素坐标 + 值），用
RegularGridInterpolator：速度快、内存省、支持任意维度，但要求x,y,z各自独立排序并构成完整网格 - 输入是无结构散点（比如传感器随机采样点），只能用
griddata：自动三角剖分，支持 2D/3D，但维度 >3 就不支持，且每次调用都重建 Delaunay，慢 - 别用
interp2d：已标记为 deprecated，内部行为不稳定，返回对象在多次调用时可能缓存旧网格
示例（规则网格）：
from scipy.interpolate import RegularGridInterpolator<br>x = np.linspace(0, 1, 10)<br>y = np.linspace(0, 1, 10)<br>X, Y = np.meshgrid(x, y, indexing='ij')<br>Z = np.sin(X) * np.cos(Y)<br>interp_func = RegularGridInterpolator((x, y), Z)<br>points = np.array([[0.25, 0.75], [0.5, 0.5]])<br>interp_func(points) # → array([0.17..., 0.45...])
griddata 报错 “Invalid triangulation” 怎么办？
这个错误通常不是数据真有问题，而是数值精度导致的退化三角形——比如多个点几乎共线、或坐标值过大（如经纬度用 1e6 级整数）。
- 先检查重复点：
len(points) != len(np.unique(points, axis=0))，有重复必须去重 - 对坐标做中心化与缩放：
points_scaled = (points - points.mean(axis=0)) / points.std(axis=0)，插完再逆变换 - 避免用
method='cubic'在稀疏点上：它需要局部足够密度，否则直接崩；优先试'linear'或'nearest' - 如果只有 3–4 个点，
griddata无法构造三角形，此时应降级为最小二乘拟合或直接用np.linalg.lstsq
插值结果出现意外 NaN 或突变，先查这三件事
插值后图像/曲线突然断掉或飞出，往往不是算法问题，而是输入没清理干净。
-
y数组里混了np.nan或np.inf：插值器不会主动过滤，会污染整个结果区域。用np.isfinite(y).all()检查 - 查询点
x_new中存在np.nan：有些插值器（如RegularGridInterpolator）会静默返回nan，不报错 - 多维时维度对齐错误：比如
griddata的points是(N, 2)，但values是(2, N)，形状不匹配会导致广播异常，结果不可信
复杂点永远在数据准备阶段——算法再稳，喂进去的是脏数据，出来的就是不可靠信号。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
