如何在Python中基于DataFrame对二维网格进行插值计算？

步骤1：明确数据结构 #

你的数据属于规则网格数据：

• X轴坐标：[0, 10, 20]（对应DataFrame的行索引）
• Y轴坐标：[500, 1000, 1400, 1600]（对应DataFrame的列名）
• 网格点对应的数值：表格中的二维数值数组

步骤2：实现插值计算 #

针对规则网格，推荐使用scipy.interpolate.RegularGridInterpolator进行高效插值，也可根据需求选择其他插值方法。以下是完整实现代码：

import pandas as pd
import numpy as np
from scipy.interpolate import RegularGridInterpolator

# 构造目标DataFrame
data = {
    500: [78.0, 78.8, 79.6],
    1000: [86.4, 87.0, 87.5],
    1400: [89.1, 89.6, 90.0],
    1600: [90.0, 90.5, 90.9]
}
df = pd.DataFrame(data, index=[0, 10, 20])

# 提取网格坐标与对应数值
x_coords = df.index.values
y_coords = df.columns.values
grid_values = df.values

# 创建插值器，可选插值方法：linear/nearest/cubic
interpolator = RegularGridInterpolator(
    points=(x_coords, y_coords),
    values=grid_values,
    method='linear'
)

# 计算目标点[X=15, Y=750]的插值结果
target_point = np.array([15, 750])
interp_result = interpolator(target_point)

print(f"坐标[15, 750]处的插值结果：{interp_result}")

关键说明 #

• RegularGridInterpolator要求输入的坐标数组单调有序，你的数据完全符合该条件
• 插值方法参数method可按需选择：
  • linear：线性插值（默认，平衡精度与计算效率）
  • nearest：最近邻插值（速度最快，无平滑效果）
  • cubic：三次样条插值（精度最高，计算量稍大）

运行代码后，线性插值下目标点的结果约为82.45。

内容的提问来源于stack exchange，提问作者wonsik lee