Python插入参数的2D（或nD）网格中的函数或数组

我有一个二维规则的参数网格，每个点都有一个一维模型的模型，我想将该一维模型数组插值到参数空间的任何点（不仅仅是网格节点）

对于1个参数的1D网格（例如

A

）和网格值

A

，我可以使用，它生成一个函数，我可以在

A

的任何给定值调用该函数。 例：

其中，

a

是参数a的1D“网格”或值数组，

x

是表示模型的1D离散像素数组，

f（x）=model（x）

，而

aa

是我要插值的a的新值

对于2D情况，一种解决方案是在x的每个像素（每个x_i）处，使用矩形双变量样条线或其他方法（如在2D平面中切片3D体积）计算2个参数的插值，但这似乎很麻烦，并且没有考虑模型上像素之间的相关性

这里的解决方案并不完全适用于我的情况，因为我需要返回一个完整的数组，并且需要在不同时刻的不同点进行计算

从解决方案来看：两者都有 可能会起作用，但我不知道如何做与矩形双变量样条线类似的事情，即向其提供2D（或nD）参数网格、模型的像素数组和模型值，然后返回相同像素但不同参数值的插值模型

网格（a1，a2，…an；x）->模型（A1'，A2'，…An'，x）

解决办法可能就在这里：但我不知道如何重新解释我的情况

最后，我想做的是使用函数

f（A1，A2，…An；x）

（或类似的东西），并在比较模型和数据时，在更精细的网格中使用Montecarlo探索参数空间

---

提前感谢！

既然没有人提供任何帮助，我将发布我自己的解决方案。 正如从解决方案开始所暗示的那样，在对线性插值进行更多研究后，基本上在这里（我在第一次搜索中错过了这一点），我以一种非常简单的方式将其适应我的案例

points = np.array((a1, a2)).T
values = np.array((models))

ip = interpolate.LinearNDInterpolator(points, values)
p = [A1_new, A2_new]
new_model = ip([point])[0]

其中a1、a2是具有每个参数的网格点的阵列，例如在2x3网格中：

a1= [1.1, 1.1, 1.1, 2.2, 2.2, 2.2]
a2= [3.3, 4.4, 5.5, 3.3, 4.4, 5.5]

并以一个图为例（我的模型）：

有了它，我可以在我需要的网格的任何点调用“函数”ip，这也可以轻松地扩展到更高的维度

new_model=ip（A1'，A2'，…）

。 虽然我没有检查它随时间的可伸缩性（如果它与N成线性关系，或者很可能与N的幂成线性关系）

我希望这能对其他人有所帮助

a1= [1.1, 1.1, 1.1, 2.2, 2.2, 2.2]
a2= [3.3, 4.4, 5.5, 3.3, 4.4, 5.5]