在Python中将不规则间隔的数据重新采样为规则网格

我需要将二维数据重新采样为常规网格。

这就是我的代码的样子：

import matplotlib.mlab as ml
import numpy as np

y = np.zeros((512,115))
x = np.zeros((512,115))

# Just random data for this test:
data = np.random.randn(512,115)

# filling the grid coordinates:    
for i in range(512):
    y[i,:]=np.arange(380,380+4*115,4)

for i in range(115):
    x[:,i] = np.linspace(-8,8,512)
    y[:,i] -=  np.linspace(-0.1,0.2,512)

# Defining the regular grid
y_i = np.arange(380,380+4*115,4)
x_i = np.linspace(-8,8,512)

resampled_data = ml.griddata(x,y,data,x_i,y_i)

(512,115)是2D数据的形状，我已经安装了mpl_toolkits.natgrid。

我的问题是，我返回一个掩码数组，其中大多数条目都是 nan，而不是主要由常规条目组成且边界处只有 nan 的数组。

有人能指出我做错了什么吗？

Thanks!

将您的代码示例与问题的标题进行比较，我认为您有点困惑......

在您的示例代码中，您正在创建规则网格化随机数据，然后将其重新采样到另一个规则网格。您的示例中的任何地方都没有不规则数据......

（此外，代码不会按原样运行，您应该查看meshgrid http://docs.scipy.org/doc/numpy/reference/generated/numpy.meshgrid.html而不是循环生成 x 和 y 网格。）

如果您想对已经定期采样的网格进行重新采样（就像在示例中所做的那样），有比 griddata 或我将在下面描述的任何方法更有效的方法。 (scipy.ndimage.map_coordinates https://docs.scipy.org/doc/scipy/reference/generated/scipy.ndimage.map_coordinates.html在这种情况下，将非常适合您的问题。）

然而，根据您的问题，听起来您想要将不规则间隔的数据插值到规则网格上。

在这种情况下，你可能会有这样的一些观点：

import numpy as np
import matplotlib.pyplot as plt
#import matplotlib.mlab as mlab # 2023 use instead:
from scipy.interpolate import griddata

# Bounds and number of the randomly generated data points
ndata = 20
xmin, xmax = -8, 8
ymin, ymax = 380, 2428

# Generate random data
x = np.random.randint(xmin, xmax, ndata)
y = np.random.randint(ymin, ymax, ndata)
z = np.random.random(ndata)

# Plot the random data points
plt.scatter(x,y,c=z)
plt.axis([xmin, xmax, ymin, ymax])
plt.colorbar()
plt.show()

然后，您可以像之前一样插入数据...（继续上面的代码片段...）

# Size of regular grid
ny, nx = 512, 115

# Generate a regular grid to interpolate the data.
xi = np.linspace(xmin, xmax, nx)
yi = np.linspace(ymin, ymax, ny)
xi, yi = np.meshgrid(xi, yi)

# Interpolate using delaunay triangularization 
#zi = mlab.griddata(x,y,z,xi,yi) # 2023 use instead:
zi = griddata( (x,y), z, (xi,yi) )

# Plot the results
plt.figure()
plt.pcolormesh(xi,yi,zi)
plt.scatter(x,y,c=z)
plt.colorbar()
plt.axis([xmin, xmax, ymin, ymax])
plt.show()

但是，您会注意到网格中出现了大量伪影。这是因为 x 坐标范围从 -8 到 8，而 y 坐标范围从 ~300 到 ~2500。插值算法试图使事物各向同性，而您可能需要高度各向异性插值（以便在绘制网格时呈现各向同性）。

为了纠正这个问题，您需要创建一个新的坐标系来进行插值。没有一种正确的方法可以做到这一点。我下面使用的方法是可行的，但“最佳”方法在很大程度上取决于您的数据实际代表的内容。

（换句话说，利用您对数据正在测量的系统的了解来决定如何做到这一点。这是always插值正确！你不应该插值，除非你知道结果应该是什么样子，并且足够熟悉插值算法，可以利用先验信息来发挥自己的优势！还有比 griddata 默认使用的 Delaunay 三角剖分更灵活的插值算法，但对于一个简单的例子来说这很好......）

无论如何，实现此目的的一种方法是重新缩放 x 和 y 坐标，使它们的范围大致相同。在这种情况下。我们将把它们从 0 重新缩放到 1...（原谅意大利面条字符串代码...我只是想以此作为一个例子...）

# (Continued from examples above...)
# Normalize coordinate system
def normalize_x(data):
    data = data.astype(np.float)
    return (data - xmin) / (xmax - xmin)

def normalize_y(data):
    data = data.astype(np.float)
    return (data - ymin) / (ymax - ymin)

x_new, xi_new = normalize_x(x), normalize_x(xi)
y_new, yi_new = normalize_y(y), normalize_y(yi)

# Interpolate using delaunay triangularization 
#zi = mlab.griddata(x_new, y_new, z, xi_new, yi_new) # 2023 use instead:
zi = griddata( (x_new, y_new), z, (xi_new, yi_new) )

# Plot the results
plt.figure()
plt.pcolormesh(xi,yi,zi)
plt.scatter(x,y,c=z)
plt.colorbar()
plt.axis([xmin, xmax, ymin, ymax])
plt.show()

无论如何，希望能有所帮助……抱歉，答案太长了！