我有一个规则的训练值网格（向量 x 和 y，各自的网格 xmesh 和 ymesh 以及 zmesh 的已知值）但是要插值的一组分散/参差不齐/不规则的值（向量 xI 和 yI，我们对 zI 感兴趣[0] = f(xI[0],yI[0]) ... zI[N-1] = f(xI[N-1],yI[N-1])。这个插值将被称为百万次作为优化问题的一部分，因此性能太重要了，不能简单地使用一种方法来制作网格并进行跟踪。
到目前为止，我已经能够找到一个接近我想要的 Bpf 函数的 scipy.interpolate 函数。然而，因为它讲述了分散的输入，我认为它没有很好的性能，我想用我更好理解的样条、线性和最近邻插值方法来测试它，我希望它会更快。我能找到的所有实现这些的方法，将常规网格作为训练数据（如 RectBivariateSpline ）似乎也需要常规网格来插入值。
这段代码有望明确我的要求。
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)
我可以做些什么来使用像 RectBivariateSpline 这样的函数但得到 zI （向量）而不是 ZI （网格）？或者，是否有另一个函数系列可以按照我想要的替代优化方法工作，如果是这样，我应该寻找什么？
快速提醒一下，我正在寻找的是一种快速优化技术，它具有相对较大的数据数组（20,000 多个条目），网格点之间的距离较小，并且数据非常平滑。我怀疑有一种很好、简单的方法可以用现有的库来做我需要的事情，但我找不到它。感谢您的帮助。