如何用SciPy实现Python二维点插值？解决类型转换报错

错误原因 #

你的代码核心问题出在坐标数组的构造方式：

• 你创建了dtype='i,i'的结构化整数数组，但griddata需要的是浮点型普通二维数组（形状为(N, 2)，N为已知点总数）。
• grid_y是浮点数，被强行塞进整数类型数组后精度丢失，后续类型转换触发安全检查错误。
• 构造的grid是(6,5)的二维网格结构，但griddata要求已知点坐标是扁平化的点列表（共6*5=30个(x,y)对），而非二维网格。

修正后的代码 #

用numpy.meshgrid生成网格点并扁平化，确保所有数组为浮点类型，贴合griddata的输入要求：

import numpy as np
from scipy.interpolate import griddata

# 已知坐标：转为浮点型避免类型冲突
grid_x = np.array([0, 152, 304, 457, 609, 760], dtype=np.float64)
grid_y = np.linspace(0, 0.5, 5)

# 生成网格点并扁平化，得到(30, 2)的坐标数组
X, Y = np.meshgrid(grid_x, grid_y, indexing='ij')  # 保证和sunIntensity的维度对应
points = np.column_stack((X.ravel(), Y.ravel()))

# 实验Z值：扁平化为(30,)的数组，与坐标点一一对应
sunIntensity = np.array([
    [200, 199, 198, 201, 220],
    [195, 170, 175, 180, 185],
    [175, 150, 150, 160, 165],
    [140, 135, 145, 150, 160],
    [130, 125, 110, 115, 130],
    [90, 95, 110, 100, 120]
])
values = sunIntensity.ravel()

# 待插值点
interp_point = np.array([(100, 0.2)])

# 执行线性插值
interp_sun_intensity = griddata(points, values, interp_point, method='linear')
print(interp_sun_intensity)  # 输出结果：[197.2]

二维插值核心原理简述 #

和一维插值逻辑类似，二维插值通过已知离散点的邻域信息估算未知点的值，griddata支持三种常用方法：

• linear（线性插值）：对已知点做Delaunay三角剖分，找到包含未知点的三角形，用三角形内的线性函数计算值
• nearest（最近邻）：直接取距离未知点最近的已知点的值，计算最快但精度较低
• cubic（三次样条）：用平滑的三次曲面拟合邻域点，结果更平滑但计算量更大

griddata的固定输入规则：

• points：形状为(N, D)的数组（N是已知点数量，D是维度，此处D=2）
• values：形状为(N,)的数组，对应每个已知点的Z值
• xi：待插值点，形状为(M, D)的数组

内容的提问来源于stack exchange，提问作者unleadedcucumber52