Python如何对非规则分布的T、P实测数据插值得到任意V值

你对插值方法适用条件的理解存在偏差：并非所有Python插值接口都要求自变量为线性规则分布，针对你手头的离散实验测量数据，完全可以实现任意T、P输入下的V值插值计算，不需要强行把数据整理成规则网格。

可选实现方法 #

1. 通用散点插值（最推荐，适配你的场景） #

直接使用scipy库的散点插值接口即可，这类接口原生支持无规则分布的二维自变量输入，不需要T、P满足线性均匀分布的要求。
最简实现代码如下，直接替换成你的完整数据集即可运行：

import numpy as np
from scipy.interpolate import griddata

# 替换为你的完整实验数据集，列顺序固定为T、P、V
exp_data = np.array([
    [20, 5950, 1.253243668],
    [20, 3000, 1.07099136],
    [22, 3000, 0.959660925],
    [40, 5000, 1.011413134],
    [10, 5000, 0.986894603]
])
# 拆分自变量点集和待插值目标值
points = exp_data[:, :2]
v_measured = exp_data[:, 2]

# 输入需要计算的任意T、P值
input_T = 15
input_P = 4000
# 插值方法三选一：
# linear：线性插值（默认，平衡精度与计算速度，适合大多数实验场景）
# nearest：最近邻插值，速度最快，结果为已有测量值
# cubic：三次插值，结果更光滑，要求数据点密度足够
v_result = griddata(points, v_measured, (input_T, input_P), method='linear')
print(v_result)

使用注意事项：

• 输入的T、P不要超出实验数据的覆盖范围，外推结果无精度保障，接口默认对超出范围的点返回nan，不要做无依据的外推计算。
• 如果需要频繁调用插值计算，可以提前用LinearNDInterpolator或者CloughTocher2DInterpolator构建固定插值器，重复调用的速度比每次传入全量数据的griddata更快。

2. 带抗噪能力的插值方案 #

如果你的实验测量值存在随机噪声，不要求插值结果严格穿过每一个测量点，可以选择径向基函数（RBF）插值，同样支持散点输入，光滑性和抗噪性优于普通线性插值：

from scipy.interpolate import RBFInterpolator

# 构建插值器，kernel参数可根据效果调整，常用thin_plate_spline、cubic
rbf_calculator = RBFInterpolator(points, v_measured, kernel='thin_plate_spline')
v_rbf_result = rbf_calculator(np.array([[input_T, input_P]]))[0]

关于“要求规则网格”的说明 #

你看到的要求T、P为线性规则分布的接口，一般是RegularGridInterpolator、旧版interp2d这类面向结构化网格的专用接口，这类接口因为输入是规则排布的网格点，计算速度更快，但仅适用于你提前把T、P所有组合按规则阵列测量完成的场景，你的散点测量数据不需要硬套这类方法。

内容的提问来源于stack exchange，提问作者Ant