使用Python通过空间插值填充shapefile缺失数据的简便方法咨询

前置依赖 #

需要提前安装对应处理库，安装命令如下：

pip install geopandas scipy numpy

实现逻辑 #

核心思路是拆分已知值点和待插值点，仅针对原有缺失值对应的坐标位置做插值计算，结果直接回填到原数据表对应位置，全程不会生成多余坐标点。

完整可运行代码 #

import geopandas as gpd
import numpy as np
from scipy.interpolate import Rbf

# 1. 读取原始shapefile
gdf = gpd.read_file("你的输入文件路径.shp")

# 2. 拆分已知值点与缺失值点
known_mask = gdf["Data"].notna()
known_pts = gdf[known_mask]
unknown_pts = gdf[~known_mask]

# 3. 提取坐标与对应数值
x_k, y_k = known_pts.geometry.x.values, known_pts.geometry.y.values
val_k = known_pts["Data"].values
x_u, y_u = unknown_pts.geometry.x.values, unknown_pts.geometry.y.values

# 4. 构建插值模型并计算插值结果
# function参数可选：inverse（反距离权重）、linear（线性）、gaussian（高斯核）等
interp_model = Rbf(x_k, y_k, val_k, function="inverse")
pred_vals = interp_model(x_u, y_u)

# 5. 回填结果到原数据表
gdf.loc[~known_mask, "Data"] = pred_vals

# 6. 保存处理后的文件
gdf.to_file("你的输出文件路径.shp", encoding="utf-8")

可选调整说明 #

• 如果需要使用克里金插值，可替换scipy的RBF为pykrige库的OrdinaryKriging接口，整体流程完全一致，仅需修改插值模型构建部分的代码，不会新增额外坐标。
• 注意：插值核函数、参数需结合你的数据空间分布特征调整，点密度较低的场景建议优先使用反距离权重插值，降低过拟合风险。

内容的提问来源于stack exchange，提问作者RDK19