如何在Python中对矩阵已知值执行Laplace插值以生成热力图？

针对你遇到的稀疏已知点（约100个）、大矩阵（1500×900）且高斯插值被零值拉低峰值的问题，推荐以下几个实用的插值方案，完全满足图形化展示的需求：

首选：反距离权重插值（IDW） #

这是最适配你场景的方法，核心优势如下：

• 完全忽略矩阵中的零值（仅将非零值视为有效已知点），彻底解决高斯插值被零值拉低峰值的问题；
• 实现逻辑简单，计算效率对于你的矩阵规模完全够用；
• 平滑度可通过参数灵活调节，刚好匹配你不需要高平滑度的需求。

核心原理 #

每个未知点的数值由所有已知点的数值加权求和得到，权重是已知点到未知点距离的倒数的n次方：

• 距离越近的已知点，权重占比越高，对未知点的影响越大；
• 参数power（幂次）控制平滑度：power越大，近点的权重占比越高，热力图的"峰值"越突出，平滑度越低；反之则过渡更平缓。对于你的展示需求，设置为2-3就足够。

实现思路与伪代码 #

1. 先遍历原始矩阵，收集所有非零的已知点，格式为[(x1, y1, val1), (x2, y2, val2), ...]；
2. 遍历目标矩阵的每个未知点（即原始矩阵中的0值位置），用IDW公式计算其数值；
3. 性能优化技巧：可以只取每个未知点最近的10-20个已知点计算（无需遍历全部100个），用KD树等空间索引快速查找邻近点，进一步提升计算速度。

import math

def calculate_idw(unknown_x, unknown_y, known_points, power=2):
    sum_weight = 0.0
    sum_value = 0.0
    for (x, y, val) in known_points:
        dx = unknown_x - x
        dy = unknown_y - y
        dist = math.sqrt(dx**2 + dy**2)
        if dist == 0:
            return val  # 命中已知点，直接返回原值
        weight = 1.0 / (dist ** power)
        sum_weight += weight
        sum_value += val * weight
    return sum_value / sum_weight if sum_weight != 0 else 0

# 步骤1：收集所有非零已知点
known_points = []
raw_matrix = [
    [0,0,0,0,1,0,0,0,0,0,5,0,0,0,0,9],
    [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0],
    [0,0,0,2,0,0,0,0,0,0,0,0,8,0,0,0],
    [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0],
    [0,8,0,0,0,0,0,0,0,6,0,0,0,0,0,0],
    [0,0,0,0,0,3,0,0,0,0,0,0,0,0,7,0]
]
for y in range(len(raw_matrix)):
    for x in range(len(raw_matrix[y])):
        val = raw_matrix[y][x]
        if val != 0:
            known_points.append( (x, y, val) )

# 步骤2：生成插值后的完整矩阵
target_matrix = [[0 for _ in range(16)] for _ in range(6)]
for y in range(len(target_matrix)):
    for x in range(len(target_matrix[y])):
        if target_matrix[y][x] == 0:
            target_matrix[y][x] = calculate_idw(x, y, known_points, power=2)

备选：径向基函数插值（RBF） #

如果需要比IDW稍平滑一点的效果，但又不想引入复杂算法，可以试试RBF插值。选择多二次函数作为基函数，同样只使用非零已知点，不会被零值干扰。它的平滑度可通过基函数参数调节，适合作为进阶选项。

不过对于你的图形化展示需求，IDW已经完全够用，RBF可根据实际效果选择是否使用。

避坑提示 #

• 绝对不要把原始矩阵中的0值当作"数值0"参与插值，一定要将它们视为未知点，仅收集非零值作为有效已知数据集；
• 对于1500×900的矩阵，IDW的计算量完全在普通CPU的处理能力范围内（1.35e6个点×100个已知点=1.35e8次运算，几秒即可完成），若结合邻近点优化，速度会更快。

内容的提问来源于stack exchange，提问作者Mutley Eugenius