Python如何基于scipy/pandas实现固定顺序多列线性插值

你描述的是规则网格下的逐维顺序线性插值，scipy 提供了开箱即用的标准实现，pandas 无对应内置接口，可通过简单封装实现相同逻辑。

scipy 标准实现 #

直接使用 scipy.interpolate.RegularGridInterpolator 即可，该接口的默认线性插值逻辑和你列出的4步执行流程完全一致，不需要手动编写逐维插值逻辑。

import pandas as pd
import numpy as np
from scipy.interpolate import RegularGridInterpolator

# 原始输入数据
df = pd.DataFrame({
    'x':[1,1,1,2,2,2],
    'y':[1,2,3,1,2,3],
    'z':[10,20,30,40,50,60]
})

# 提取各维度有序唯一值（适配你提到的「输入数据预先排序」前提）
x_coords = np.sort(df['x'].unique())
y_coords = np.sort(df['y'].unique())
# 将z值重构为和维度匹配的网格结构
z_mesh = df['z'].values.reshape(len(x_coords), len(y_coords))

# 初始化线性插值器
interpolator = RegularGridInterpolator((x_coords, y_coords), z_mesh, method='linear')

# 计算目标点结果
print(interpolator((1.5, 2.5)))  # 输出 40.0，和预期结果完全匹配

这个方案天然支持2维以上的同逻辑插值，只需要按顺序传入各维度坐标和对应网格值即可，不需要额外修改逻辑。

pandas 手动实现 #

如果不想引入scipy依赖，可以按照你描述的流程基于numpy的一维插值接口封装，逻辑完全透明：

import numpy as np

def seq_linear_interp(df, target_x, target_y):
    # 查找x维度包围目标值的邻接点
    x_unique = df['x'].drop_duplicates().to_list()
    x_lower = max(v for v in x_unique if v <= target_x)
    x_upper = min(v for v in x_unique if v >= target_x)

    # 固定x为下界值，做y维度插值
    df_xl = df[df['x'] == x_lower]
    z_xl = np.interp(target_y, df_xl['y'], df_xl['z'])

    # 固定x为上界值，做y维度插值
    df_xu = df[df['x'] == x_upper]
    z_xu = np.interp(target_y, df_xu['y'], df_xu['z'])

    # 最后做x维度插值得到最终结果
    return np.interp(target_x, [x_lower, x_upper], [z_xl, z_xu])

# 测试调用
print(seq_linear_interp(df, 1.5, 2.5))  # 输出 40.0

补充说明 #

• RegularGridInterpolator 仅适用于规则网格数据，也就是所有维度坐标的笛卡尔组合都存在对应观测值，你的示例数据完全满足该要求。
• pandas 自带的 df.interpolate() 方法仅支持沿单轴方向的空值填充插值，无法直接处理这种多维网格的逐维插值场景。

内容的提问来源于stack exchange，提问作者Octan