Scipy.interpolate griddata三次样条返回NaN而非有效值的解决方法

嘿，我来帮你排查这个问题～你遇到的NaN返回值，核心原因是三次样条（cubic）插值要求查询点必须落在原始数据点构成的凸包内部，如果点在凸包外面，就会直接返回NaN。

咱们先验证一下你的测试点(3128,265)是不是在凸包外：

import pandas as pd
import numpy as np
from scipy.interpolate import griddata
from scipy.spatial import Delaunay

# 原始数据
y = [164,166,168,172,173,181,185,189, 189,191,196,197,198,201,214,218, 223,224,227,230,231,232,237,253, 257,257,258,262,266]
z = [0.68,0.95,0.44,0.68,0.93,0.69,0.94, 1.55,0.94,1.53,1.85,0.52,1.53,1.83, 0.98,1.53,0.77,1.82,1.56,2.43,1.01, 1.82,0.15,2.41,1.84,0.39,0.64,1.56, 2.39]
x = [100,250,400,550,700,850,1000,1150,1300, 1450,1600,1750,1900,2050,2200,2350,2500, 2650,2800,2950,3100,3250,3400,3550,3700, 3850,4000,4150,4300]

# 生成Delaunay三角剖分，用于判断点是否在凸包内
points = np.array(list(zip(x, y)))
tri = Delaunay(points)

# 检查测试点
query_point = np.array([3128, 265])
print("测试点是否在凸包内：", tri.find_simplex(query_point) >= 0)  # 输出False，说明在凸包外

知道原因后，有几种解决方案可选：

方案1：换用支持外推的插值方法 #

如果你能接受外推的结果，可以把插值方法换成linear或者nearest，这两种方法会对凸包外的点进行计算：

# 线性外推
print(griddata((x,y),z,(3128,265), method='linear'))  # 返回约1.23左右的数值
# 最近邻插值
print(griddata((x,y),z,(3128,265), method='nearest'))  # 返回1.01（对应最近的点(3100,231)的z值）

方案2：混合插值（凸包内用cubic，外补充其他方法） #

如果必须保留三次样条的精度，同时不想有NaN，可以对凸包内的点用cubic插值，凸包外的点用其他方法填充：

# 生成网格
xi = np.linspace(100,4300)
yi = np.linspace(164,266)
xi_grid, yi_grid = np.meshgrid(xi, yi)

# 将网格点转为一维数组
grid_points = np.array([xi_grid.flatten(), yi_grid.flatten()]).T

# 判断每个网格点是否在凸包内
inside = tri.find_simplex(grid_points) >= 0

# 初始化插值结果数组
zi = np.empty_like(xi_grid)

# 凸包内用cubic插值，外用nearest填充
zi.flat[inside] = griddata((x, y), z, grid_points[inside], method='cubic')
zi.flat[~inside] = griddata((x, y), z, grid_points[~inside], method='nearest')

# 现在zi里就没有NaN了
print(zi)

方案3：补充数据点（最彻底但成本高） #

如果对精度要求极高，最好的办法是在凸包外的区域（比如你测试的x≈3000-4300，y≈250-266区间）补充更多采样数据点，让凸包覆盖到你需要查询的区域，这样就能用cubic插值得到有效结果。

内容的提问来源于stack exchange，提问作者cosmic noise