如何使用三次插值将含NaN的二维网格数据插值到非结构化坐标？

1. RegularGridInterpolator cubic报错原因：三次插值依赖样条拟合（make_interp_spline），样条算法要求输入数据完全无NaN；而线性插值是基于局部邻点的计算，遇到邻点含NaN时直接返回NaN，因此两者对NaN的兼容性完全不同。
2. interp2d使用错误：interp2d设计目标是生成网格插值结果，若要得到非结构化点的插值，需将目标坐标按成对方式传入，但该函数效率较低，不适合大量非结构化点场景。
3. interpn参数错误：interpn第一个参数需传入规则网格的维度坐标（如(lat0, lon0)），而非扁平化的非NaN点坐标，你传入的(latM, lonM)是一维点集，导致维度匹配失败。

方案1：直接用griddata对非结构化点做三次插值 #

跳过规则网格插值，直接用非NaN原始点对目标坐标做三次插值，最贴合你的需求：

import numpy as np
from scipy.interpolate import griddata

# 复用数据定义
lat0, lon0 = np.linspace(-60, -40, 20), np.linspace(-50, 0.0, 50)
lonG, latG = np.meshgrid(lon0, lat0)
data_nan = np.sin(latG*lonG)
data_nan[1:8, 5:12] = np.nan
data_nan[2:6, 12:20] = np.nan

# 提取有效点坐标与对应值
mask = ~np.isnan(data_nan)
source_points = np.column_stack((latG[mask], lonG[mask]))
source_values = data_nan[mask]

# 目标非结构化坐标
lat = np.random.uniform(low=-60, high=-40, size=2000)
lon = np.random.uniform(low=-50, high=0.0, size=2000)
target_points = np.column_stack((lat, lon))

# 三次插值，靠近NaN区域的点自动返回NaN
interped_cub = griddata(source_points, source_values, target_points, method='cubic', fill_value=np.nan)

方案2：先填充NaN再用RegularGridInterpolator三次插值 #

先对带NaN的规则网格数据补全，再使用三次插值，适合需要保留规则网格结构的场景：

import numpy as np
from scipy.interpolate import RegularGridInterpolator, griddata

# 复用数据定义
lat0, lon0 = np.linspace(-60, -40, 20), np.linspace(-50, 0.0, 50)
lonG, latG = np.meshgrid(lon0, lat0)
data_nan = np.sin(latG*lonG)
data_nan[1:8, 5:12] = np.nan
data_nan[2:6, 12:20] = np.nan

# 提取非NaN点并填充网格
mask = ~np.isnan(data_nan)
points = np.column_stack((latG[mask], lonG[mask]))
values = data_nan[mask]
filled_data = griddata(points, values, (latG, lonG), method='linear', fill_value=np.nan)

# 用填充后的数据做三次插值
fc = RegularGridInterpolator((lat0, lon0), filled_data, method='cubic', bounds_error=True)
lat = np.random.uniform(low=-60, high=-40, size=2000)
lon = np.random.uniform(low=-50, high=0.0, size=2000)
interped_cub = fc((lat, lon))

方案3：结合线性插值掩码做三次插值 #

利用线性插值返回的NaN掩码，只对有效区域的点做三次插值，避免报错：

import numpy as np
from scipy.interpolate import RegularGridInterpolator

# 复用数据定义
lat0, lon0 = np.linspace(-60, -40, 20), np.linspace(-50, 0.0, 50)
lonG, latG = np.meshgrid(lon0, lat0)
data_nan = np.sin(latG*lonG)
data_nan[1:8, 5:12] = np.nan
data_nan[2:6, 12:20] = np.nan

# 先做线性插值，得到有效点掩码
fl = RegularGridInterpolator((lat0, lon0), data_nan, method='linear', bounds_error=True)
lat = np.random.uniform(low=-60, high=-40, size=2000)
lon = np.random.uniform(low=-50, high=0.0, size=2000)
interped_lin = fl((lat, lon))
valid_mask = ~np.isnan(interped_lin)

# 仅对有效点执行三次插值
fc = RegularGridInterpolator((lat0, lon0), data_nan, method='cubic', bounds_error=True)
interped_cub = np.full_like(interped_lin, np.nan)
interped_cub[valid_mask] = fc((lat[valid_mask], lon[valid_mask]))

• 方案1最直接，无需预处理规则网格，直接针对目标点插值，结果完全符合你的期望：有效区域返回三次插值结果，靠近NaN区域返回NaN。
• 方案2适合需要同时保留规则网格数据的场景，填充后的网格可用于其他后续处理。
• 方案3利用线性插值的掩码过滤报错点，避免NaN影响，但需要两次插值计算。

内容的提问来源于stack exchange，提问作者ofk123