我有一组训练值的规则网格（向量 x 和 y，分别具有相应的网格 xmesh 和 ymesh，并且已知 zmesh 的值），但是要插值的值是散乱/不规则的（向量 xI 和 yI，我们关注的是 zI[0] = f(xI[0], yI[0]) ... zI[N-1] = f(xI[N-1], yI[N-1)]）。这个插值会作为优化问题的一部分被调用数百万次，所以性能对于使用制作网格并进行跟踪的方法来说太重要了。
到目前为止，我找到了一个接近我想要的 scipy.interpolate 函数，即 Bpf 函数。但是，由于它需要散乱输入，我认为它的性能不好，因此我想测试一下我更好理解并且预计会更快的样条、线性和最近邻插值方法。所有实现这些方法的函数我都能找到需要将规则网格作为训练数据（例如， RectBivariateSpline）的输入，但也需要对要插值的值进行规则网格化处理。
希望这段代码能够清楚地说明我的问题。
import numpy as np
import scipy as sp
import scipy.interpolate as interp
x = np.arange(0,2*np.pi,.1)
y = x
xmesh,ymesh = np.meshgrid(x,y)
zmesh = np.sin(xmesh)+np.cos(ymesh)
rbf = interp.Rbf(xmesh, ymesh, zmesh, epsilon=2)
xI = np.arange(0,np.pi,.05)
yI = xI
XI, YI = np.meshgrid(xI,yI)
# Notice how this is happy to take a vector or grid as input
zI = rbf(xI, yI)
ZI = rbf(XI,YI) # equiv. to zImesh
myspline = interp.RectBivariateSpline(x, y, zmesh)
# myspline takes vectors as input but makes them into meshes for evaluation
splineoutput = myspline(xI, yI)
# myspline returns ZI but I want zI
print(splineoutput)
print(ZI)
print(zI)
只是一个快速提醒，我正在寻找一种快速的优化技术，适用于相对较大的数据数组（20,000+条目），网格点之间的距离很小，并且数据相当平滑。我怀疑现有的库中有一种很好、简单的方法可以满足我的需求，但我找不到。感谢帮助。