numpy无内置双线性插值函数，需手动实现：先x向两次线性插值、再y向一次，核心四步为索引定位、坐标归一、权重计算、加权求和，注意越界处理、索引顺序与除零风险。
双线性插值在 NumPy 中没有现成函数，得自己写
NumPy 本身不提供 bilinear_interpolate 或类似接口；scipy.interpolate.interp2d 和 scipy.interpolate.RegularGridInterpolator 虽然能做，但它们是封装好的黑盒，对理解原理、控制边界行为或嵌入轻量级流程并不友好。真要“用 NumPy 实现”，就得手动拆解插值步骤：先 x 方向线性插值两次，再 y 方向线性插值一次。
典型错误是直接套用一维 np.interp 到二维坐标上——它不支持网格索引映射，会报 ValueError: array must be non-empty 或返回全零/错位结果。
- 输入必须是规则网格：x 和 y 坐标分别是一维单调数组（如
np.linspace(0, 1, 10)），z 是 shape 匹配的二维数组 - 待插点坐标
(xi, yi)必须归一化到原始网格范围内，越界时需显式处理（截断、填充 NaN 或抛异常） - 不要用
np.meshgrid生成待插点网格后再喂给插值函数——那会爆炸内存；应向量化处理点坐标对
手写双线性插值函数的关键四步
核心逻辑就四行 NumPy 运算，不依赖 scipy：
def bilinear_interp(grid_x, grid_y, grid_z, xi, yi):
# xi, yi 是等长一维数组或标量
i = np.clip(np.searchsorted(grid_x, xi) - 1, 0, len(grid_x) - 2)
j = np.clip(np.searchsorted(grid_y, yi) - 1, 0, len(grid_y) - 2)
x0, x1 = grid_x[i], grid_x[i + 1]
y0, y1 = grid_y[j], grid_y[j + 1]
z00, z01 = grid_z[j, i], grid_z[j, i + 1]
z10, z11 = grid_z[j + 1, i], grid_z[j + 1, i + 1]
wx = (xi - x0) / (x1 - x0)
wy = (yi - y0) / (y1 - y0)
return (1-wx)*(1-wy)*z00 + wx*(1-wy)*z01 + (1-wx)*wy*z10 + wx*wy*z11
注意几个易错点：
-
np.searchsorted返回插入位置，必须减 1 才得到左邻索引；不加np.clip会导致越界索引 - 索引顺序：
grid_z[j, i]对应 (x_i, y_j)，和图像坐标系一致；若你用的是 (row, col) 存储，别反了 - 除零风险：当
x0 == x1或y0 == y1时，分母为 0 —— 需提前检查网格是否退化 - 输入
xi/yi若为标量，函数仍能广播运行；但若混用标量和数组，建议统一转np.asarray
对比 scipy 的 RegularGridInterpolator：快在哪？慢在哪？
用 scipy.interpolate.RegularGridInterpolator 写法更简洁，且自动处理越界模式（如 bounds_error=False, fill_value=np.nan），但它内部做了大量校验和对象封装，小规模插值（
性能差异主要来自：
- NumPy 版本全程使用原生数组运算，无 Python 循环、无中间对象创建
- scipy 版本每次调用都重算网格差值系数，而手写版可把
i, j, wx, wy提前算好复用 - 若需批量插同一组点到多个 z 网格（如时间序列帧），NumPy 版只需改
grid_z输入，scipy 每次都要重建 interpolator 实例
但 scipy 更稳：它默认做单调性检查，而手写版假设你已确保 grid_x 和 grid_y 严格递增。
边界外推和 NaN 处理必须自己加
上面的手写函数对越界点不做保护，默认取最近有效单元格的值（因 np.clip 截断了索引）。实际中常需要：
- 返回
np.nan：把最后的 return 行换成np.where((xi grid_x[-1]) | (yi grid_y[-1]), np.nan, result) - 线性外推：单独计算 x/y 方向斜率，延伸插值公式（注意外推可能发散）
- 周期性延拓：用
%运算把坐标 wrap 回主网格内，适合经纬度或相位数据
最容易被忽略的是：插值结果精度受原始网格分辨率制约，不是“越密越好”——若 grid_z 本身含噪声，过密插值只会平滑假象，而非还原真实曲面。
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！
