如何在Python中将2D查找表A映射为基于x,y的数组B？

嘿，我正好知道怎么解决这个问题！你之前用循环取整的方法不仅效率低，精度也不够，而Python的scipy.interpolate模块里的RegularGridInterpolator就是专门干这个事的——它能高效地在规则网格上做多维插值，完美匹配你的需求。

问题本质 #

简单来说，你的A是一个定义在规则线性网格上的二维数据（theta轴和phi轴都是等步长的），而你有一堆离散的点（每个(x,y)对应一组(theta, phi)值），需要找到每个点在A上对应的插值结果，最终生成和theta/phi同形状的B数组。

具体步骤 #

1. 构造A对应的轴坐标数组

首先你需要明确A对应的theta轴和phi轴的具体数值。因为你说轴是线性步长的，假设：

• A的第一个维度对应phi轴，起始值为phi_start，步长为d_phi，那么phi轴的坐标数组可以用np.arange生成；
• A的第二个维度对应theta轴，起始值为theta_start，步长为d_theta，同理生成theta轴数组。

# 示例：假设phi轴从0开始，步长0.2；theta轴从0开始，步长0.45
phi_axis = np.arange(phi_start, phi_start + A.shape[0]*d_phi, d_phi)
theta_axis = np.arange(theta_start, theta_start + A.shape[1]*d_theta, d_theta)

注意：一定要和A的维度对应！比如如果A[i,j]是phi=i、theta=j的测量值，那phi_axis长度等于A.shape[0]，theta_axis长度等于A.shape[1]。

2. 创建插值器

用RegularGridInterpolator创建一个插值对象，它会预先处理A的网格数据，支持批量插值：

from scipy.interpolate import RegularGridInterpolator

# 网格顺序要和A的维度对应：(phi_axis, theta_axis) 对应 A的(phi维度, theta维度)
interpolator = RegularGridInterpolator((phi_axis, theta_axis), A, method='linear')

这里的method参数可以选：

• 'nearest'：最近邻插值，和你之前的取整方法逻辑类似，但效率高得多；
• 'linear'：线性插值，精度更高，适合处理浮点数的theta/phi；
• 'cubic'：三次插值，结果更平滑，计算量稍大。

3. 批量插值生成B

把theta和phi数组展平，拼接成N×2的点数组（每个点是(phi值, theta值)，顺序要和插值器的网格顺序一致），然后一次性完成插值，再重塑回原形状：

# 展平theta和phi，拼接成点数组
points = np.column_stack((phi.flatten(), theta.flatten()))
# 插值并重塑形状得到B
B = interpolator(points).reshape(theta.shape)

用你的示例验证 #

我们用你给出的示例来跑一遍，注意示例里的A对应关系其实是A[i,j]为theta=i、phi=j（否则和期望的B不符），所以调整轴参数后代码如下：

import numpy as np
from scipy.interpolate import RegularGridInterpolator

# 示例数据
phi = np.array([
    [2,1,2],
    [1,0,1],
    [2,1,2],
])
theta = np.array([
    [6,4,6],
    [4,0,5],
    [6,5,6],
])
A = np.array([
    [0.0,0.1,0.2],
    [1.0,1.1,1.2],
    [2.0,2.1,2.2],
    [3.0,3.1,3.2],
    [4.0,4.1,4.2],
    [5.0,5.1,5.2],
    [6.0,6.1,6.2],
])

# 构造A对应的theta轴和phi轴（步长1度）
theta_axis = np.arange(A.shape[0])  # [0,1,2,3,4,5,6]
phi_axis = np.arange(A.shape[1])    # [0,1,2]

# 创建插值器，网格顺序对应A的(theta维度, phi维度)
interpolator = RegularGridInterpolator((theta_axis, phi_axis), A, method='linear')

# 准备插值点
points = np.column_stack((theta.flatten(), phi.flatten()))

# 生成B
B = interpolator(points).reshape(theta.shape)

print(B)
# 输出完全符合期望：
# [[6.2 4.1 6.2]
#  [4.1 0.0 5.1]
#  [6.2 5.1 6.2]]

适配你的原始数据 #

把这个逻辑套用到你的原始代码里，注意单位要统一（比如theta/phi是弧度的话，A的轴也要是弧度）：

import numpy as np
from scipy.interpolate import RegularGridInterpolator

size = 100
x = np.arange(-size, size)
y = np.arange(-size, size)
xx, yy = np.meshgrid(x, y)
theta = np.arctan((xx**2+yy**2)**0.5 / 100)
phi = np.arctan((xx**2+yy**2)**0.5 / 1000)

# 替换成你实际的A轴参数
phi_start = 0.0  # 示例值，替换成你的phi轴起始值
d_phi = 0.2      # 示例值，替换成你的phi轴步长
theta_start = 0.0 # 示例值，替换成你的theta轴起始值
d_theta = 0.45   # 示例值，替换成你的theta轴步长

phi_axis = np.arange(phi_start, phi_start + A.shape[0]*d_phi, d_phi)
theta_axis = np.arange(theta_start, theta_start + A.shape[1]*d_theta, d_theta)

# 创建插值器，根据A的维度调整网格顺序
interpolator = RegularGridInterpolator((phi_axis, theta_axis), A, method='linear')

points = np.column_stack((phi.flatten(), theta.flatten()))
B = interpolator(points).reshape(theta.shape)

为什么这个方法更好？ #

• 效率爆炸：底层是优化过的C实现，批量处理所有点，比Python循环快几十到上百倍，尤其是当size=100时，4万个点瞬间处理完；
• 精度更高：支持线性/三次插值，完美处理浮点数的theta/phi，不会像取整那样丢失精度；
• 代码简洁：几行代码搞定，不用写嵌套循环，可读性和可维护性都强。

内容的提问来源于stack exchange，提问作者fruchti