python插值需要很长时间

我使用1000 x 1000网格中的scipy.interpolate.griddata进行插值。 当我有一个1000（x，y，z）值的点云时，计算只需要几秒钟。 但现在我有1000000个值。所以我创建了一个循环，从这1000000个值中提取1000个值，如下所示：

p = [...]
z = [...]
#p and z are my lists with 1,000,000 values
p_new = []
z_new = []
for i in range(1000000):
    if condition:
        #condition is True for about 1000 times
        p_new.append(p[i])
        z_new.append(z[i])
print 'loop finished'

points = np.array(p_new)
values = np.array(z_new)
grid_z1 = griddata(points, values, (grid_x, grid_y), method='cubic')
plt.imshow(grid_z1.T, origin='lower')
plt.show()

print len（p_new）

返回我

1000

，因此我的循环工作正常。 但在我的循环完成后，我在等待了15分钟后取消了我的程序，因为什么也没发生

最后，我的问题是：

---

尽管在这两种情况下（默认情况下为1000个值，从1000000个值中提取1000个值），我的值的数量相同，但为什么要花费这么长的时间来计算呢？在我的输出

循环完成

中，我可以看到循环只需要大约10秒，因此它应该与我的循环无关=/

我看不到这里发生了任何异常情况-就我所能说出的时间而言 插值大致与点中的元素数成比例 云

以下是一些测试数据：

def fake_data(n):

    # xy coordinates for an n-by-n grid
    grid = np.indices((n,n),dtype=np.float32).reshape(2,-1).T

    # interpolated coordinates
    xy_i = grid.copy()
    # not monotonically increasing
    np.random.shuffle(xy_i)

    # values
    z = np.random.rand(n**2)

    # input coordinates
    xy = grid.copy()
    # not regularly gridded 
    xy += np.random.rand(*xy_i.shape)*0.25

    # pick n random points to use
    inc = np.random.choice(np.arange(n**2),(n,),replace=False)
    xy = grid[inc,:]
    z = z[inc]

    return xy, z, xy_i

对于所有三种方法，N与时间的对数图大致为一条直线， 斜率为~2，即它们都需要O（N^2）时间

在你的例子中，如果你看到这些线不是直的，而是向上偏离

---

对于较大的N值，这可能表明您还有其他问题，例如内存不足和交换失败。

是否需要立方插值？使用

method='linear'

可以节省时间，前提是不需要多少cubic。你说得对，

method='linear'

只需要几秒钟，但立方插值对我来说会更好……你的条件是随机的，还是你会对它们进行排序？这可能真的很相关。您的数据以前是结构化的/常规的吗？也许现在您已经在这里和那里进行了采样，在较大的间隔之间进行插值需要更多的时间。@atomic:my condition搜索某个z值（+/-一点偏移量）：

如果z[i]h-偏移量：

@Big Al:数据是完全随机的。但是在第一次测试中，有1000个值没有这个循环，我的数据也是随机的。