Python 重复Scipy'；网格数据

当数据集很多时，使用Scipy的griddata在不规则网格（x和y）中对数据（d）进行网格化是非常耗时的。但是，经纬度（x和y）总是相同的，只有数据（d）在变化。在这种情况下，一旦使用giddata，如何使用不同的d arry重复该过程以获得更快的结果

import numpy as np, matplotlib.pyplot as plt
from scipy.interpolate import griddata

x = np.array([110, 112, 114, 115, 119, 120, 122, 124]).astype(float)

y = np.array([60, 61, 63, 67, 68, 70, 75, 81]).astype(float)

d = np.array([4, 6, 5, 3, 2, 1, 7, 9]).astype(float)

ulx, lrx = np.min(x), np.max(x)
uly, lry = np.max(y), np.min(y)
xi = np.linspace(ulx, lrx, 15)
yi = np.linspace(uly, lry, 15)
grided_data = griddata((x, y), d, (xi.reshape(1,-1), yi.reshape(-1,1)), method='nearest',fill_value=0)
plt.imshow(grided_data)
plt.show()

以上代码适用于一个d数组。

---

但是我还有数百个其他数组。

griddata

带有

最近的
最后使用
最近的interpolator
。这是一个创建迭代器的类，用
xi
调用迭代器：

elif method == 'nearest':
    ip = NearestNDInterpolator(points, values, rescale=rescale)
    return ip(xi)

因此，您可以创建自己的
最接近Interpolator
，并使用不同的
xi
多次调用它

但我认为在您的情况下，您需要更改
值
。看看我看到的那个类的代码

    self.tree = cKDTree(self.points)
    self.values = y

\uuuu调用
执行以下操作：

    dist, i = self.tree.query(xi)
    return self.values[i]

我不知道创建
树
与
查询
的相对成本

因此，在使用
\uuuu调用
之间更改
值应该很容易。而且它看起来像是
values
可以有多个列，因为它只是在第一维上建立索引

这个插值器非常简单，您可以使用相同的
树
思想编写自己的插值器


这里有一个最近的插值器，可以对相同的点重复插值，但不同的
z
值。我还没有计时，看看它能节省多少时间

class MyNearest(interpolate.NearestNDInterpolator):
    # normal interpolation, but returns the near neighbor indices as well
    def __call__(self, *args):
        xi = interpolate.interpnd._ndim_coords_from_arrays(args, ndim=self.points.shape[1])
        xi = self._check_call_shape(xi)
        xi = self._scale_x(xi)
        dist, i = self.tree.query(xi)
        return i, self.values[i]

def my_griddata(points, values, method='linear', fill_value=np.nan,
             rescale=False):
    points = interpolate.interpnd._ndim_coords_from_arrays(points)

    if points.ndim < 2:
        ndim = points.ndim
    else:
        ndim = points.shape[-1]
    assert(ndim==2)
    # simplified call for 2d 'nearest'
    ip = MyNearest(points, values, rescale=rescale)
    return ip # ip(xi)  # return iterator, not values

ip = my_griddata((xreg, yreg), z,  method='nearest',fill_value=0)
print(ip)
xi = (xi.reshape(1,-1), yi.reshape(-1,1))
I, data = ip(xi)
print(data.shape)
print(I.shape)
print(np.allclose(z[I],data))
z1 = xreg+yreg  # new z data
data = z1[I]  # should show diagonal color bars

您的想法可能更好，但我想先使用griddata创建空间，然后根据可用数据（d）填充空间。我错了吗？我粗略地设计了一个插值器，它可以让您通过索引获得正确形状的任何
z
的最接近值。
z1 = np.array([xreg+yreg, xreg-yreg]).T
print(z1.shape)   # (225,2)
data = z1[I]
print(data.shape)  # (20,20,2)