如何在计算得到的数组上正确使用scipy.interpn进行插值？

方法1：用散点插值直接处理（最通用） #

interpn仅适用于规则网格数据，而你的array_12和array_23是从4维网格衍生的散点值（每个网格点对应一组(array_12, array_23, array_4)），完全可以用Scipy的散点插值工具，无需提前排序：

1. 把所有相关数组展平为1维（对应每个网格点的单条数据）：

import numpy as np
from scipy.interpolate import NearestNDInterpolator, LinearNDInterpolator

# 展平数组：从(d1,d2,d3,d4)维度转为(d1*d2*d3*d4,)的1维数组
points = np.column_stack([
    array_12.ravel(),
    array_23.ravel()
])
values = array_4.ravel()

2. 创建插值器（根据需求选择类型）：

• 最近邻插值（速度快，适合精确匹配或无需平滑的场景）：

interp_nearest = NearestNDInterpolator(points, values)

• 线性插值（适合需要平滑过渡的场景，要求查询点周围有足够邻点）：

interp_linear = LinearNDInterpolator(points, values)

3. 查询给定的(array_12_val, array_23_val)：

# 单个查询值
query_val = (1.23, 4.56)
result_nearest = interp_nearest(query_val)
result_linear = interp_linear(query_val)

# 批量查询
query_vals = np.array([(1.23,4.56), (7.89,0.12)])
results_nearest = interp_nearest(query_vals)

方法2：用KD-Tree加速最近邻查找（数据量大时优先） #

如果数据总点数超过10万级，KD-Tree的最近邻查找效率会优于NearestNDInterpolator：

from scipy.spatial import KDTree

# 构建KD-Tree索引
tree = KDTree(points)

# 查询最近邻：k=1表示找距离最近的1个点
distances, indices = tree.query(query_val, k=1)
# 获取对应的array_4值
result = values[indices]

额外提示 #

如果some_func_12或some_func_23是可逆函数，也可以尝试从给定的array_12/array_23值反推原始的array_1/array_2/array_3，再匹配到对应的(a,b,c,d)网格索引，直接提取array_4的值。但该方法依赖函数可逆性，通用性不如前两种。

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