如何用Scipy与Numpy向量化实现多数组三次插值优化性能？

问题背景 #

现有以下三组数据：

• 长度为50的一维NumPy数组 data，存储待插值的数值：

data = np.array([9.22, 9. , 9.01, ..., 7.98, 6.77, 7.3 ])

• 二维数组 x，每行对应data中一个元素的插值节点x值：

x = np.array([[ 1, 2, 3, 4, 5 ],
              ...,
              [ 1.01, 2.01, 3.02, 4.03, 5.07 ]])

• 二维数组 y，每行对应data中一个元素的插值节点y值，与x的行一一对应：

y = np.array([[0. , 1. , 0.95, ..., 0.07, 0.06, 0.06],
              ...,
              [0. , 0.99 , 0.85, ..., 0.03, 0.05, 0.06]])

需要为data中的每个元素，使用对应行的x、y节点执行三次样条插值。

当前实现方式 #

已通过map()循环完成需求，代码如下：

def cubic_spline(i):
     return scipy.interpolate.splev(x=data[i],
                                    tck=scipy.interpolate.splrep(x[i], y[i], k=3))

list(map(cubic_spline, np.arange(len(data))))

优化需求 #

希望基于Scipy和NumPy实现向量化逻辑，避免显式循环，提升执行效率，目标写法类似：

scipy.interpolate.splev(x=data,
                        tck=scipy.interpolate.splrep(x, y, k=3))

可行优化方案 #

Scipy的splrep和splev暂不支持原生二维批量插值（因不同行的节点数量、分布可能存在差异），但可通过以下方式实现更高效的批量处理：

方案1：使用numpy.apply_along_axis #

针对x、y的每行执行插值，语法简洁：

import numpy as np
from scipy.interpolate import splrep, splev

def interpolate_row(row):
    x_row, y_row, val = row
    tck = splrep(x_row, y_row, k=3)
    return splev(val, tck)

# 构造每行包含x[i]、y[i]、data[i]的输入数组
input_arr = np.stack([x, y, data[:, np.newaxis]], axis=1)
result = np.apply_along_axis(interpolate_row, axis=1, arr=input_arr)

方案2：使用numpy.vectorize（适合小规模数据） #

通过签名声明实现向量化调用，语法更贴近原生向量化写法：

def single_interp(x_row, y_row, val):
    tck = splrep(x_row, y_row, k=3)
    return splev(val, tck)

# 声明函数输入输出的维度签名
vec_interp = np.vectorize(single_interp, signature='(n),(n),()->()')
result = vec_interp(x, y, data)

方案3：预处理+批量执行（性能最优） #

预先计算所有行的样条参数，再批量执行插值，避免重复逻辑开销：

# 预先计算每行的样条参数tck
tck_list = [splrep(x[i], y[i], k=3) for i in range(len(data))]
# 批量执行插值并转为数组
result = np.array([splev(data[i], tck_list[i]) for i in range(len(data))])

注意事项 #

• 若仅处理50个元素，map()与上述方案的性能差异不明显；数据量更大时，预处理+批量执行的方式效率更优。
• Scipy暂无原生支持可变节点批量插值的接口，核心原因是不同行的样条节点长度可能不一致，无法统一为二维数组处理。

内容的提问来源于stack exchange，提问作者Nelson Salazar