Python 使用'scipy.interpolate.griddata'进行非常缓慢的插值`

在尝试插值“几乎”时，我遇到了

scipy.interpolate.griddata

异常缓慢的性能定期将网格化数据转换为地图坐标，以便可以使用

matplotlib.pyplot.imshow

绘制地图和数据，因为

matplotlib.pyplot.pcolormesh

花费的时间太长，并且在

alpha

等方面表现不佳

最佳示例（可下载输入文件）：

绘图：

fig, (ax1,ax2) = plt.subplots(1,2)
ax1.axis(map_extent)
ax1.imshow(topo,extent=extent,cmap='Greys')

ax2.axis(map_extent)
ax2.imshow(topo,extent=extent,cmap='Greys')

ax1.imshow(zi, vmax=0.1, extent=extent, alpha=0.5, origin='lower')
ax1.plot(lon[0],lat[0], '--k', lw=3, zorder=10)
ax1.plot(lon[-1],lat[-1], '--k', lw=3, zorder=10)
ax1.plot(lon.T[0],lat.T[0], '--k', lw=3, zorder=10)
ax1.plot(lon.T[-1],lat.T[-1], '--k', lw=3, zorder=10)


ax2.pcolormesh(lons,lats,data, alpha=0.5)
ax2.plot(lon[0],lat[0], '--k', lw=3, zorder=10)
ax2.plot(lon[-1],lat[-1], '--k', lw=3, zorder=10)
ax2.plot(lon.T[0],lat.T[0], '--k', lw=3, zorder=10)
ax2.plot(lon.T[-1],lat.T[-1], '--k', lw=3, zorder=10)

结果:

注意，这不能通过简单地使用仿射变换旋转数据来实现

griddata

调用我的真实数据时，每次调用都需要80秒以上的时间，

pcolormesh

甚至需要更长的时间（超过2分钟！）。我已经看过杰米和乔·金顿的答案，但我想不出一个办法让它对我有用

---

我所有的数据集都有完全相同的

lons

，

lats

，因此基本上我需要将它们映射到地图的坐标，并对数据本身应用相同的转换。问题是我如何做到这一点

在忍受了

scipy.interpolate.griddata

极其缓慢的性能之后，我决定放弃

griddata

，转而使用图像转换。具体来说

所以对于上面的例子，上面问题中的一个，你可以得到输入文件，这是一段需要1.1毫秒的代码，而在上面的例子中，692毫秒需要重新填充部分

import cv2
new_data = data.T[::-1]

# calculate the pixel coordinates of the
# computational domain corners in the data array
w,e,s,n = map_extent
dx = float(e-w)/new_data.shape[1]
dy = float(n-s)/new_data.shape[0]
x = (lon.ravel()-w)/dx
y = (n-lat.ravel())/dy

computational_domain_corners = np.float32(zip(x,y))

data_array_corners = np.float32([[0,new_data.shape[0]],
                                 [0,0],
                                 [new_data.shape[1],new_data.shape[0]],
                                 [new_data.shape[1],0]])

# Compute the transformation matrix which places
# the corners of the data array at the corners of
# the computational domain in data array pixel coordinates
tranformation_matrix = cv2.getPerspectiveTransform(data_array_corners,
                                                   computational_domain_corners)

# Make the transformation making the final array the same shape
# as the data array, cubic interpolate the data placing NaN's
# outside the new array geometry
mapped_data = cv2.warpPerspective(new_data,tranformation_matrix,
                                  (new_data.shape[1],new_data.shape[0]),
                                  flags=2,
                                  borderMode=0,
                                  borderValue=np.nan)

我看到这个解决方案的唯一缺点是数据中有轻微偏移，如所附图像中的非重叠轮廓所示。重新填充的数据轮廓（可能更精确）为黑色，透视数据轮廓为“jet”色刻度

目前，我对性能优势方面的差异感到满意，我希望这个解决方案也能帮助其他人

应该有人（不是我…）找到一种改进griddata性能的方法：） 享受吧

---

我使用了numpy

ndimage.map\u坐标

。它工作得很好

从上述链接复制：

scipy.ndimage.interpolation.map_坐标（输入、坐标、输出=无、顺序=3、模式=常数、cval=0.0、预过滤器=真）

通过插值将输入数组映射到新坐标

坐标数组用于为输出中的每个点查找输入中相应的坐标。这些坐标处的输入值由请求顺序的样条插值确定

通过删除第一个轴，从坐标阵列的形状导出输出的形状。沿第一个轴的数组值是输入数组中的坐标，在该坐标处可以找到输出值

    from scipy import ndimage
    a = np.arange(12.).reshape((4, 3))
    a
    array([[  0.,   1.,   2.],
            [  3.,   4.,   5.],
            [  6.,   7.,   8.],
            [  9.,  10.,  11.]])
    ndimage.map_coordinates(a, [[0.5, 2], [0.5, 1]], order=1)
    [ 2.  7.]

---

@用户3197748，你能试着把你的答案应用到上面给出的例子吗？您可以在这里下载文件：对不起，只有在阅读代码并尝试运行它时，我才发现使用scipy.ndimage.interpolation.map_坐标是不合适的。但是，当我运行您的代码的第一个版本（带有网格数据的版本）时，只做了很小的修改（extent=>map\u extent），我发现代码很快就可以运行了。也许是因为我用的是Anaconda numpy mkl。

    from scipy import ndimage
    a = np.arange(12.).reshape((4, 3))
    a
    array([[  0.,   1.,   2.],
            [  3.,   4.,   5.],
            [  6.,   7.,   8.],
            [  9.,  10.,  11.]])
    ndimage.map_coordinates(a, [[0.5, 2], [0.5, 1]], order=1)
    [ 2.  7.]