如何通过插值方法将任意Numpy NDArray调整为指定新形状？

嗨，这个问题我之前在使用PySide6做体绘制的时候刚好踩过坑，现在把解决方案整理出来分享给大家！

背景回顾 #

当时我遇到的情况是：PySide6的体绘制功能对输入纹理有个隐藏要求——各维度的长度必须是2的幂，但官方文档里并没有明确说明这一点。所以第一步得先把原数组的形状转换成符合要求的目标形状，用Numpy就能轻松计算：

import numpy as np
old_shape = (123, 456, 78)  # 示例原始数组形状
new_shape = np.power(2, np.ceil(np.log2(old_shape))).astype(int)

搞定目标形状后，核心问题就变成了：如何通过插值方法，把任意形状的Numpy NDArray缩放成指定的目标形状？我尝试了scipy的RegularGridInterpolator，亲测有效，下面是具体的实现步骤。

具体实现方案 #

1. 创建插值器实例 #

首先需要为原数组的每个维度生成对应的坐标网格，然后基于原数组创建插值器：

from scipy.interpolate import RegularGridInterpolator

# 为每个维度生成原始坐标点（从0到维度长度-1均匀分布）
original_coords = [np.linspace(0, dim - 1, dim) for dim in old_shape]
# 初始化插值器，这里可以选择插值方法：'linear'（线性插值）、'nearest'（最近邻）、'cubic'（三次插值）
interpolator = RegularGridInterpolator(original_coords, original_array, method='linear')

2. 生成目标网格坐标 #

接下来要生成对应目标形状的坐标网格，确保坐标范围和原数组保持一致：

# 生成目标每个维度的坐标点
target_coords = [np.linspace(0, dim - 1, new_dim) for dim, new_dim in zip(old_shape, new_shape)]
# 构建多维网格（注意用'ij'索引保持和数组维度顺序一致）
target_grid = np.meshgrid(*target_coords, indexing='ij')
# 把网格转换成插值器需要的格式：(样本数, 维度数)
target_points = np.stack([grid.ravel() for grid in target_grid], axis=1)

3. 执行插值并重塑形状 #

最后调用插值器计算结果，再把一维的插值结果重塑成目标形状：

# 执行插值计算
scaled_array = interpolator(target_points)
# 重塑为目标形状
scaled_array = scaled_array.reshape(new_shape)

额外小贴士 #

• 插值方法选择：如果追求计算速度，优先选'nearest'；如果需要更平滑的缩放效果，选'linear'或者'cubic'（注意高维场景下三次插值的计算量会显著增加）
• 通用性：这个方案支持任意维度的数组，不管是2D图像、3D体数据还是更高维的数组都适用
• 替代方案：如果不想依赖scipy，2D场景可以用OpenCV的cv2.resize，单维度可以用Numpy的np.interp，但RegularGridInterpolator是最省心的通用解决方案

内容的提问来源于stack exchange，提问作者Ruben