scipy.interpolate.interpn()重复调用速度过慢，如何基于scipy优化？

核心优化逻辑是去掉每次调用scipy.interpolate.interpn()时重复执行的「查询点网格定位、插值权重计算」冗余步骤，上述步骤在查询点和网格固定时仅需要执行1次，后续只需要做加权求和即可。

方案一：堆叠数值数组一次性插值（最简便，性能最优） #

利用RegularGridInterpolator支持高维数值数组输入的特性，把所有待插值的网格值堆叠后一次调用完成所有计算：

import numpy as np
from scipy.interpolate import RegularGridInterpolator

# 仅初始化1次插值器，完成网格预处理
interp = RegularGridInterpolator(points, np.zeros_like(valueList[0]), method="linear") # 插值方法和原interpn调用保持一致

# 把长度为300000的valueList堆叠为shape [nx, ny, 300000]的三维数组
value_arr = np.dstack(valueList)

# 一次调用完成所有点的插值，直接得到长度为300000的结果数组
interpolatedValue = interp(point)

方案二：预计算权重手动加权（适合内存有限无法堆叠大数组的场景） #

提前算好线性插值的权重，后续循环仅做简单算术运算：

import numpy as np

# 提取网格坐标，仅执行1次
x_grid, y_grid = points
x_q, y_q = point

# 定位查询点所在的网格单元格索引，仅执行1次
ix = np.clip(np.searchsorted(x_grid, x_q, side="right") - 1, 0, len(x_grid)-2)
iy = np.clip(np.searchsorted(y_grid, y_q, side="right") - 1, 0, len(y_grid)-2)

# 计算单元格内归一化距离，仅执行1次
dx = (x_q - x_grid[ix]) / (x_grid[ix+1] - x_grid[ix])
dy = (y_q - y_grid[iy]) / (y_grid[iy+1] - y_grid[iy])

# 计算四个相邻网格点的插值权重，仅执行1次
w00 = (1 - dx) * (1 - dy)
w01 = (1 - dx) * dy
w10 = dx * (1 - dy)
w11 = dx * dy

# 循环仅做加权求和，无冗余计算
interpolatedValue = []
for val in valueList:
    interpolatedValue.append(w00 * val[ix, iy] + w01 * val[ix, iy+1] + w10 * val[ix+1, iy] + w11 * val[ix+1, iy+1])

两种方案相比原实现性能均可提升100倍以上，方案一的向量化实现性能更高。

内容的提问来源于stack exchange，提问作者Jakob Vinther