我的数据是随机间隔的(x，y，z，d(，我需要在3D网格上插值。问题是网格相当大：点的总数是nx*ny*nz = 345*188*1501 = 97 354 860。
我试图使用Rbf插值同时通过所有点，但我得到了错误：
numpy.core._exceptions._ArrayMemoryError: Unable to allocate 343. GiB for an array with shape (97354860, 473) and data type float64(这里473是什么？(
作为我尝试的一个例子：
from scipy.interpolate import Rbf
rng = np.random.default_rng()
x, y, z, d = rng.random((4, 50))
rbfi = Rbf(x, y, z, d)
# xi, yi, zi alltogether take about 3 Gb
xi = yi = zi = np.linspace(0, 1, 97354860)
di = rbfi(xi, yi, zi) # here I get error
但后来我尝试在循环中逐点插值，它似乎工作得足够慢(插值大约需要20分钟(：
for i in range(0, xi.shape[0]):
di[i] = rbfi(xi[i], yi[i], zi[i])
那么问题来了：在循环中插值和同时插值所有点之间有什么区别？我认为Rbf应该使用循环在每个请求点(xi，yi，zi(上对输入数据点进行内部插值。
我还认为，如果我一次通过所有点，或者逐点插值，插值结果应该不会有差异。
正如您所提到的，当您使用NumPy时，您同时处理所有数据卷，这将受到系统ram大小的限制。但是，当您使用循环时，由于迭代和直接分配，该工作负载不会应用于ram。在这方面，我认为使用chunks可以非常有效；即用Chunks将总尺寸划分为某些部分。然后，您可以通过在部件上循环并传递ram限制来使用数组。因此，提议的方式将类似于：
chunk_val = 2000000 # it is arbitrary and must be choosed based on the system rams size
chunk = xi.shape[0] // chunk_val
chunk_res = xi.shape[0] % chunk_val
# by array
di = np.array([])
start = 0
for i in range(chunk + 1):
di = np.append(di, rbfi(xi[start:(i+1) * chunk_val], yi[start:(i+1) * chunk_val], zi[start:(i+1) * chunk_val]))
start += chunk_val
if i == chunk:
di = np.append(di, rbfi(xi[start:xi.shape[0]], yi[start:xi.shape[0]], zi[start:xi.shape[0]]))
# by list
di = []
start = 0
for i in range(chunk + 1):
di.append(rbfi(xi[start:(i+1) * chunk_val], yi[start:(i+1) * chunk_val], zi[start:(i+1) * chunk_val]))
start += chunk_val
if i == chunk:
di.append(rbfi(xi[start:xi.shape[0]], yi[start:xi.shape[0]], zi[start:xi.shape[0]]))
di = [item for sublist in di for item in sublist]
在上述代码中，提出了两种方法，一种是通过数组，另一种是根据列表。我已经在性能方面测试了这种方法，它在Google Collaborative上使用了70 s
如果Numba与rbfidtype兼容，它也可以由Numba处理。如果是这样，它可能是最快的方法之一，必须进行评估。
更新：
我认为唯一的方法是使用块。正如您在rbf源代码中所看到的，rbf相关类中有一系列函数将被运行，它们的数据必须存储在系统中的某个位置(ram(，直到所有函数都完成为止(您可以使用pprofiler和…等评测器评测rbf的每一行，以查看源代码的哪一部分消耗最多时间、ram或…(。因此，AFAIK，当您在迭代中导入数据时，函数在较小的数据量上运行(可以由系统硬件处理(，并且创建的临时数组和…将在每个循环中释放或覆盖。因此，迭代不会导致内存泄漏或…。