LinearNDInterpolator工作原理及理论探究，兼询3D场景适配性

示例代码 #

from scipy.interpolate import LinearNDInterpolator
import matplotlib.pyplot as plt
import numpy as np

x = np.array([1,1,5,6])
y = np.array([1,5,5,5])
z=[2,6,10,11]

points = np.array(list(zip(x,y)))
values = np.array(z)

i=2
j=4.5

Linear = LinearNDInterpolator(points, values)
r = Linear(i,j)
print("Linear %s" %r)

plt.scatter(x, y,c=z)
plt.xlabel('x')
plt.ylabel('y')
plt.title('y as a function of x')
cbar = plt.colorbar()
plt.show()

针对代码涉及的LinearNDInterpolator，以下是核心问题的解答：

一、实际工作机制 #

1. 空间剖分：首先对输入的N维散点集执行Delaunay单纯形剖分——2D场景下生成三角网格，将散点的凸包区域划分为互不重叠的三角形单元；高维场景下对应生成更高维度的单纯形（比如3D的四面体）。
2. 单元定位：对待插值点，快速判断它落在剖分后的哪个单纯形单元内部。
3. 线性插值计算：在目标单元内，基于单元顶点的已知值构建线性函数（2D为平面，3D为超平面），通过待插值点在单元内的重心坐标计算加权平均，得到最终插值结果。

以你的2D示例为例：输入的4个点会被剖分成2个三角形，待插值点(2,4.5)落在其中一个三角形内，通过该三角形三个顶点的z值确定平面方程，代入(x,y)得到插值结果。

二、背后的理论基础 #

• Delaunay剖分：这是核心支撑，它通过最大化剖分单元的最小内角，避免出现狭长的单纯形，保证插值的稳定性和精度；同时剖分结果能完整覆盖散点的凸包区域，确保所有在凸包内的点都能被插值。
• 线性插值的几何与代数意义：在每个单纯形单元内，插值函数是线性的，满足在顶点处等于已知值；插值结果本质是顶点值的加权平均，权重由待插值点的重心坐标决定，保证了插值的线性性（若输入值线性变化，插值结果也线性变化）。
• 仿射不变性：插值结果不受坐标系仿射变换（平移、旋转、缩放）的影响，保证了结果的一致性和通用性。

三、3D场景中的插值思路 #

完全类似，核心逻辑一致：

1. 对3D散点集执行Delaunay四面体剖分，将3D空间划分为互不重叠的四面体单元。
2. 定位待插值点所在的四面体单元。
3. 基于四面体四个顶点的已知值构建3D线性超平面，通过重心坐标计算加权平均得到插值结果。

同样依赖Delaunay剖分保证单元合理性，插值过程保持线性性和仿射不变性，只是单纯形的维度从2D三角形升级为3D四面体。

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