Python 确定最近的网格点

我有三个数组

lat=[15,15.25,15.75,16,....30]
long=[91,91.25,91.75,92....102]

data=
array([[  0. ,   0. ,   0. , ...,   0. ,   0. ,   0. ],
       [  0. ,   0. ,   0. , ...,   0. ,   0. ,   0. ],
       [  0. ,   0. ,   0. , ...,   0. ,   0. ,   0. ],
       ..., 
       [-99.9, -99.9, -99.9, ...,   0. ,   0. ,   0. ],
       [-99.9, -99.9, -99.9, ...,   0. ,   0. ,   0. ],
       [-99.9, -99.9, -99.9, ...,   0. ,   0. ,   0. ]])

它的[44列和60行]与长x纬度相同

如果我输入任何点（16.3101.6），我需要找出最近的网格，并从第三个数组中提取该网格中的数据。我如何在python中使用numpy实现它？这里我举一个例子，但在实际问题中，我有几点

我试过这个功能

def getclosest_ij(lats,lons,latpt,lonpt):
    dis_sq1=(lats-latpt)
    dis_sq2=(lons-lonpt)
    minidex_lat=dis_sq1.argmin()
    minidex_lon=dis_sq2.argmin()
    return minidex_lon,minidex_lat

---

您正在寻找的算法是规则网格上的最近邻插值。比如你可以用

from scipy.interpolate import RegularGridInterpolator

itp = RegularGridInterpolator( (lat, lon), data, method='nearest') 
res = itp(some_new_point)

另外，如果您设置

method='linear'

，此函数还可以执行更精确的线性插值，这应该可以工作：

import numpy as np

lat = np.array(lat)
long = np.array(long)

def get_data(lat_input, long_input):

    lat_index  = np.nanargmin((lat-lat_input)**2)
    long_index = np.nanargmin((long-long_input)**2)
    return data[long_index][lat_index]

您需要numpy数组格式的

lat

和

long

数据才能与

nanargmin

函数一起使用。如果确定数据数组中没有任何

nan

值，也可以使用

argmin

而不是

nanargmin

我用平方差代替绝对值，因为前者稍微快一点，结果无论如何都会找到相同的索引

编辑：正如rth在对tom答案的评论中指出的那样，

argmin

明显快于

nanargmin

。如果您的数据可能有

nan

值，您只需事先更正它们，然后安全地使用

argmin

。此外，正如tom提到的，

searchsorted

确实是更好的选择，如果您的数据已排序。

您可以使用：

import numpy as np

lat=np.linspace(15,30,61)
long=np.linspace(91,102,45)

def find_index(x,y):
    xi=np.searchsorted(lat,x)
    yi=np.searchsorted(long,y)
    return xi,yi

thisLat, thisLong = find_index(16.3,101.6)
print thisLat, thisLong
>>> 6, 43

# You can then access the `data` array like so:
print data[thisLat,thisLong]

---

注意：这将找到低于关注点的

lat

和

long

数组的索引。如果您需要最接近的点，您可以比较

lat[thisLat]

和

lat[thisLat+1]

请告诉我们您解决此问题的尝试。我试图计算lat和long的每个值的绝对距离，并返回该索引以提取该数据，但我得到了错误的值。我在我的问题中添加了我的函数。只需为差异添加绝对值

np.abs（lats latpt）

，您的实现应该可以很好地工作。是否可以通过numpy本身找到答案？+1非常好。使用上面定义的变量，

np.searchsorted（lat，x）

比我的计算机上的等价调用

np.nanargmin（（lat-x）**2）

快16倍。好的，实际上这不是NaN搜索开销，在本例中，它只比

np.argmin（…）

快2倍。不过，数组大小（

n

）的伸缩性要好得多：x5表示n=1000，x20表示n=10000，等等。