Python SciPy.interpolate.griddata（）的快速替代方案

我需要将interpolate.griddata应用于时间序列数据；对于很长的时间序列，每个时间步一次。下面是我试图加速的代码。n，m

为了加快计算速度，我可以牺牲精度和性能。我会考虑把这个非网格数据投影到一个精细网格（带有SARCES条目），然后插入缺失值，如果这意味着我可以利用NUMPY矩阵运算。 如果首选方法不可行，我可以将p个时间步骤拆分为许多并行过程

请注意，每个时间步的x和y都是固定的。如果我可以提取一个时间步的系数来填充我的网格，那么我可以将这些相同的系数应用于所有时间步。这将大大简化和加速计算，但是我对正在应用的插值方法（CloughTocher2DInterpolator）了解不够

---

注意：这是作为Azure函数部署的。循环是独立的，可以并行运行，但是我不熟悉Azure函数的并行处理功能。

这取决于数据的详细信息，但是对于这种令人尴尬的并行工作，

多处理

模块通常是一种很好的方法。是的，循环可以并行运行。不过，我希望避免for循环，这样numpy就可以使用优化的c代码来处理实现。有一些工具可以跨数组的维度运行函数，例如，但它们通常可以归结为该轴上的Python循环，或者只在1D数组上工作，或者有其他缺点。与

多处理并行化

非常简单，因此我建议尝试一下，看看它是否满足您的性能要求。我用多处理实现了它，并在本地运行。它在多处理时运行较慢。对于每个步骤t，启动新流程的开销太大。

pressures = np.zeros((n, m, p))
for t in range(p):
    pressures[:, :, t] = interpolate.griddata((x, y), p[t], (xx, yy))