寻求优雅方案：Numpy数组按指定步长扩展并线性插值

需求背景 #

需要对Numpy数组进行转换与扩展：行以0.1为增量扩展，列以1度为增量扩展，同时对数值执行线性插值。原实现依赖多层循环，代码冗余且效率较低，以下是更简洁的优化方案。

优化实现（纯Numpy） #

import numpy as np

# 生成样本数据集：10行（tp=0~9），12列（角度0~330，步长30）
np.random.seed(42)  # 固定种子方便结果复现
dataset = np.random.randint(1, 10, (10, 12))
tp_old = np.arange(10)
angle_old = np.arange(0, 360, 30)

# 1. 行方向插值：步长0.1，扩展为91行（tp=0,0.1,...,9.0）
tp_new = np.linspace(0, 9, 91)
# 对每一列在新tp坐标上做线性插值
row_interp = np.array([np.interp(tp_new, tp_old, dataset[:, col]) for col in range(dataset.shape[1])]).T

# 2. 列方向插值：步长1度，扩展为360列（角度0~359），处理角度周期性
angle_old_full = np.concatenate([angle_old, [360]])  # 补充360°对应原0°的数值
dataset_full = np.concatenate([row_interp, row_interp[:, [0]]], axis=1)
angle_new = np.arange(0, 360)
# 对每一行在新角度坐标上做线性插值
final_data = np.array([np.interp(angle_new, angle_old_full, dataset_full[row, :]) for row in range(row_interp.shape[0])])

print(f"原始数据形状: {dataset.shape}")
print(f"最终数据形状: {final_data.shape}")  # 输出 (91, 360)

优化亮点 #

• 用Numpy原生np.interp替代手动循环计算，代码更简洁，且底层C实现的效率远高于Python循环。
• 分离行、列插值逻辑，可读性更强，维护成本更低。
• 通过扩展角度坐标到360°，自然处理了角度周期性（330°到360°即0°的插值），无需单独编写末尾区间的处理代码。
• 避免了原代码中频繁的vstack/column_stack数组拼接操作（这类操作会重复分配内存，大幅降低效率）。

进阶方案（Scipy 2D插值） #

如果需要处理更复杂的规则网格插值场景，可使用Scipy的RegularGridInterpolator，代码更简洁：

from scipy.interpolate import RegularGridInterpolator

# 构造2D插值器
interp = RegularGridInterpolator((tp_old, angle_old), dataset, bounds_error=False, fill_value=None)

# 生成新的网格点
tp_new_2d, angle_new_2d = np.meshgrid(tp_new, angle_new, indexing='ij')
points = np.stack([tp_new_2d.ravel(), angle_new_2d.ravel()], axis=1)

# 执行插值
final_data_scipy = interp(points).reshape(tp_new.shape[0], angle_new.shape[0])

内容的提问来源于stack exchange，提问作者M LUY