如何在二维非结构化网格节点间沿直线提取插值标量数据？

核心思路 #

放弃全局结构化插值方案，改为直接在目标直线上生成采样点，基于原始非结构化点的局部三角剖分做插值——这种方式能完全利用自适应网格的局部密集点分布，避免全局结构化网格导致的细节丢失。

具体实现方法 #

方法1：纯SciPy工具链（轻量高效） #

利用SciPy的三角剖分和二维插值工具，直接针对直线采样点计算标量：

1. 加载CSV数据，提取坐标和标量字段
2. 对原始非结构化点做Delaunay三角剖分，生成适配原始点分布的三角网格
3. 在目标直线上生成高密度采样点（可按需调整密度）
4. 基于三角剖分做插值，得到每个采样点的标量值
5. 绘制变化坐标与标量的关系图

代码示例：

import numpy as np
import pandas as pd
from scipy.spatial import Delaunay
from scipy.interpolate import CloughTocher2DInterpolator  # C1连续插值，也可替换为LinearNDInterpolator
import matplotlib.pyplot as plt

# 1. 加载数据
df = pd.read_csv('your_data.csv')
x = df['x-coordinate'].values
y = df['y-coordinate'].values
scalar = df['scalar'].values

# 2. 构建适配原始点的三角剖分
tri = Delaunay(np.column_stack((x, y)))

# 3. 生成目标直线的采样点（示例：y=0.5，x从0到1，1000个点）
num_samples = 1000
sample_x = np.linspace(0, 1, num_samples)
sample_y = np.full(num_samples, 0.5)
sample_points = np.column_stack((sample_x, sample_y))

# 4. 插值计算标量
interp = CloughTocher2DInterpolator(tri, scalar)
sample_scalar = interp(sample_points)

# 5. 绘图
plt.figure(figsize=(10, 6))
plt.plot(sample_x, sample_scalar, '-', linewidth=1.2)
plt.xlabel('x-coordinate')
plt.ylabel('scalar')
plt.title('Scalar Distribution Along y=0.5')
plt.grid(True, alpha=0.3)
plt.show()

方法2：用PyVista处理非结构化网格（专业网格工具） #

PyVista专门针对网格数据设计，内置的采样方法能自动利用网格局部结构，操作更简洁：

代码示例：

import numpy as np
import pandas as pd
import pyvista as pv
import matplotlib.pyplot as plt

# 1. 加载数据并转成PyVista兼容的3D点（z轴补0）
df = pd.read_csv('your_data.csv')
points_2d = df[['x-coordinate', 'y-coordinate']].values
points_3d = np.column_stack((points_2d, np.zeros(len(points_2d))))
scalar = df['scalar'].values

# 2. 创建非结构化三角网格
mesh = pv.PolyData(points_3d)
mesh['scalar'] = scalar
mesh = mesh.delaunay_2d()  # 基于原始点生成三角剖分

# 3. 生成目标直线（示例：从(0,0.5,0)到(1,0.5,0)，1000个采样点）
line = pv.Line((0, 0.5, 0), (1, 0.5, 0), resolution=1000)

# 4. 在直线上采样插值
sampled_data = mesh.sample(line)

# 5. 提取数据绘图
sample_x = sampled_data.points[:, 0]
sample_scalar = sampled_data['scalar']

plt.figure(figsize=(10, 6))
plt.plot(sample_x, sample_scalar, '-', linewidth=1.2)
plt.xlabel('x-coordinate')
plt.ylabel('scalar')
plt.title('Scalar Distribution Along y=0.5')
plt.grid(True, alpha=0.3)
plt.show()

关键优势说明 #

• 三角剖分完全基于原始非结构化点的分布，自适应网格中局部密集的区域会生成更精细的三角形，插值时自然保留这些区域的细节
• 无需生成全局结构化网格，避免了固定分辨率带来的信息丢失
• 采样点密度可灵活调整：在需要关注的局部区域可以加密采样，进一步提升细节保留程度

注意事项 #

• 如果原始数据存在重复点或共线点，Delaunay剖分可能抛出警告，可先通过df.drop_duplicates(subset=['x-coordinate', 'y-coordinate'])去重
• 若需要严格线性插值（而非平滑插值），可将CloughTocher2DInterpolator替换为LinearNDInterpolator
• 对于垂直线（如x=0.3，y从0到1），只需调整采样点的生成逻辑：sample_y = np.linspace(0,1,num_samples)，sample_x = np.full(num_samples, 0.3)

内容的提问来源于stack exchange，提问作者Manahara Manatunga