如何用Scipy对含时间轴的3D栅格数据做时间维度插值补全？

一、逐栅格时间序列插值（最直接适配场景） #

你的数据是规则栅格结构，每个（纬度，经度）位置对应一条独立的时间序列，完全可以针对每个栅格的时间维度单独插值：

• 用NumPy向量化操作替代循环提升效率，先将3D数组重塑为二维（栅格总数 × 时间步），再对每一行（单个栅格的时间序列）处理：

import numpy as np
from scipy.interpolate import interp1d

# 假设原始数据为shape=(245, lat_size, lon_size)的3D数组data，含NaN
time_indices = np.arange(245)  # 用时间步索引，也可替换为实际时间戳

# 重塑为二维数组：(所有栅格的数量, 时间步数量)
data_2d = data.reshape(-1, 245)

def fill_single_ts(ts):
    # 获取当前栅格时间序列的有效点索引和对应值
    valid_mask = ~np.isnan(ts)
    if np.sum(valid_mask) < 2:
        return ts  # 有效点不足2个，无法插值，保留原数据
    valid_idx = time_indices[valid_mask]
    valid_vals = ts[valid_mask]
    # 创建插值函数，支持线性、样条等方式，fill_value设为extrapolate可补全首尾缺失
    interpolator = interp1d(valid_idx, valid_vals, kind='linear', fill_value="extrapolate")
    return interpolator(time_indices)

# 批量处理所有栅格的时间序列
filled_data_2d = np.apply_along_axis(fill_single_ts, axis=1, arr=data_2d)
# 重塑回原3D形状
filled_data = filled_data_2d.reshape(data.shape)

• 优势：逻辑直观，完全聚焦时间维度插值，完美适配空间大块缺失的场景；可通过修改kind参数切换线性、三次样条等插值方式。

二、用xarray库（专为多维栅格时间序列设计） #

xarray对结构化栅格数据的缺失值处理非常高效，内置时间维度插值方法，无需手动重塑数组：

import xarray as xr

# 将NumPy数组封装为xarray.DataArray（需传入纬度、经度、时间的坐标信息）
da = xr.DataArray(
    data,
    dims=["time", "lat", "lon"],
    coords={
        "time": np.arange(245),  # 或实际datetime数组
        "lat": your_latitude_coords,
        "lon": your_longitude_coords
    }
)

# 对时间维度的缺失值做线性插值，默认仅在有效数据范围内插值
filled_da = da.interpolate_na(dim="time", method="linear")

# 若需要外插补全首尾的连续缺失，可改用interp方法：
# filled_da = da.interp(time=da.time, method="linear")

• 优势：代码极简，自动处理坐标关联，支持多种插值算法，适合规则栅格的批量处理。

三、Pandas长格式插值（灵活度高） #

将栅格数据转为Pandas长格式后，利用分组插值功能处理：

import pandas as pd

# 从xarray DataArray转为长格式DataFrame
df = da.to_dataframe(name="value").reset_index()

# 按纬度、经度分组，对每组的时间序列插值
filled_df = df.groupby(["lat", "lon"]).apply(
    lambda group: group.set_index("time").interpolate(method="linear").reset_index()
)

# 转回3D数组
filled_da = filled_df.set_index(["time", "lat", "lon"]).to_xarray()
filled_data = filled_da["value"].values

• 优势：Pandas插值功能支持更多自定义参数（如限制最大插值间隔），适合需要精细化控制的场景。

关键注意事项 #

• 若某个栅格的时间序列有效点不足2个，插值无法进行，可选择保留NaN，或用全局均值、邻近栅格的时间均值填充。
• 时间轴为实际datetime类型时，上述所有方法均适用，只需将时间索引替换为对应的datetime数组即可。
• 针对连续大块时间缺失的情况，可先采用滑动窗口均值填充做预处理，再结合插值进一步优化结果。

内容的提问来源于stack exchange，提问作者Blue_Green