在气象数据处理、地质勘探数据计算等场景中，我们常需要基于已有的二维规则网格数据，对离散的非结构化坐标点进行插值计算，而原始网格数据往往存在NaN缺失值，这会给三次样条插值的执行带来阻碍，需要针对性处理才能保证插值结果准确。
核心问题拆解
要实现目标需求，需要解决三个核心问题：第一是处理二维规则网格中的NaN值，避免其影响插值基函数的构建；第二是理解三次样条插值在二维场景下的扩展逻辑；第三是将插值逻辑适配到非结构化坐标的计算上。
NaN值的影响
三次样条插值需要通过相邻网格点的数值计算分段多项式的系数，如果网格中存在NaN，会导致系数计算时出现无效值传播，最终输出的插值结果也会出现大面积的NaN或者异常数值，因此需要先对NaN进行预处理。
非结构化坐标的特点
非结构化坐标指的是坐标点不按照规则网格的行列排列，每个点有独立的x和y坐标，可能分布在网格的任意位置，包括原本存在NaN的网格区域附近，因此预处理后的网格需要保证所有区域的数值都是有效的，才能支持任意坐标的插值。
预处理含NaN的二维规则网格
针对二维规则网格的NaN值，常用的预处理方式是邻近值填充，优先选择同行列的有效邻近值进行填充，保证网格的数值连续性，避免填充后引入额外的数值突变。
以下是使用Python实现NaN填充的示例代码：
import numpy as np
def fill_nan_in_grid(grid_data):
"""
填充二维规则网格中的NaN值，使用邻近有效值填充
:param grid_data: 二维numpy数组，包含NaN值
:return: 填充后的二维数组
"""
# 复制原始数据避免修改原数组
filled_grid = grid_data.copy()
# 获取网格的行数和列数
rows, cols = filled_grid.shape
# 遍历所有元素，处理NaN值
for i in range(rows):
for j in range(cols):
if np.isnan(filled_grid[i, j]):
# 收集邻近的有效值
valid_values = []
# 上邻近
if i > 0 and not np.isnan(filled_grid[i-1, j]):
valid_values.append(filled_grid[i-1, j])
# 下邻近
if i < rows-1 and not np.isnan(filled_grid[i+1, j]):
valid_values.append(filled_grid[i+1, j])
# 左邻近
if j > 0 and not np.isnan(filled_grid[i, j-1]):
valid_values.append(filled_grid[i, j-1])
# 右邻近
if j < cols-1 and not np.isnan(filled_grid[i, j+1]):
valid_values.append(filled_grid[i, j+1])
# 如果存在有效邻近值，取平均值填充
if len(valid_values) > 0:
filled_grid[i, j] = np.mean(valid_values)
else:
# 如果没有邻近有效值，使用全局有效值的平均值填充
global_valid = filled_grid[~np.isnan(filled_grid)]
if len(global_valid) > 0:
filled_grid[i, j] = np.mean(global_valid)
return filled_grid
# 示例：生成含NaN的测试网格
test_grid = np.array([
[1.0, 2.0, np.nan, 4.0],
[5.0, np.nan, 7.0, 8.0],
[9.0, 10.0, 11.0, np.nan]
])
filled_test_grid = fill_nan_in_grid(test_grid)
print("填充后的网格：")
print(filled_test_grid)
二维三次样条插值实现
二维三次样条插值可以拆分为先沿一个维度做一维三次样条插值，再沿另一个维度做插值，或者使用专门的二维样条插值实现。这里我们使用Scipy库中的插值工具来实现，效率更高且稳定性更好。
针对非结构化坐标的插值，我们需要先定义规则网格的x和y坐标轴，再基于填充后的网格数据构建插值函数，最后传入非结构化坐标计算插值结果。
完整实现代码如下：
import numpy as np
from scipy.interpolate import RectBivariateSpline
def interpolate_unstructured_points(grid_x, grid_y, filled_grid, unstructured_x, unstructured_y):
"""
在填充后的二维规则网格上，对非结构化坐标执行三次样条插值
:param grid_x: 网格的x轴坐标，一维数组，长度等于网格列数
:param grid_y: 网格的y轴坐标，一维数组，长度等于网格行数
:param filled_grid: 填充后的二维网格数据，形状为(len(grid_y), len(grid_x))
:param unstructured_x: 非结构化点的x坐标，一维数组
:param unstructured_y: 非结构化点的y坐标，一维数组，长度需要和unstructured_x一致
:return: 非结构化点的插值结果数组
"""
# 构建二维三次样条插值函数，kx=3, ky=3表示x和y方向都是三次样条
spline_interp = RectBivariateSpline(grid_y, grid_x, filled_grid, kx=3, ky=3)
# 计算非结构化坐标的插值结果
interp_results = spline_interp(unstructured_y, unstructured_x, grid=False)
return interp_results
# 示例：定义规则网格的坐标轴
grid_x = np.array([0.0, 1.0, 2.0, 3.0]) # x轴4个节点
grid_y = np.array([0.0, 1.0, 2.0]) # y轴3个节点
# 使用之前填充后的网格数据
filled_grid = np.array([
[1.0, 2.0, 3.0, 4.0],
[5.0, 6.0, 7.0, 8.0],
[9.0, 10.0, 11.0, 12.0]
])
# 定义非结构化坐标点
unstructured_x = np.array([0.5, 1.5, 2.5, 0.2])
unstructured_y = np.array([0.3, 1.2, 1.8, 0.7])
# 执行插值
results = interpolate_unstructured_points(grid_x, grid_y, filled_grid, unstructured_x, unstructured_y)
print("非结构化坐标的插值结果：")
for x, y, res in zip(unstructured_x, unstructured_y, results):
print(f"坐标({x}, {y})的插值结果：{res:.4f}")
注意事项
- 填充NaN值时，需要根据实际数据的物理意义选择填充方式，如果数据是连续变化的，邻近值填充比较合适；如果数据存在周期性，需要选择对应周期的邻近值填充。
- 三次样条插值的边界条件会影响边缘区域的插值结果，Scipy的
RectBivariateSpline默认使用自然边界条件，也可以根据需求调整边界参数。 - 非结构化坐标不能超出规则网格的坐标范围，否则会出现外插情况，外插结果的准确性无法保证，建议提前对坐标范围做校验。
总结
处理含NaN的二维规则网格上的非结构化坐标三次样条插值，核心流程是先预处理NaN值得到完整的有效网格，再使用二维三次样条插值工具构建插值函数，最后传入非结构化坐标计算结果。整个流程的通用性较强，只需要根据实际数据调整NaN填充策略和插值参数，就可以适配不同的业务场景。