我迷失在伟大的SciPy提供的所有插值方法中，无法找到适合我的情况的最佳方法。
矩阵中有数百万个XYZ点，这些点（单元格）之间有不同的间隔，并且是旋转的。通常是介于规则和分散代表表面之间的点的大数据集，我需要将其转换为规则网格进行进一步分析。
我需要一些快速但创建光滑的表面，尊重点的价值。在GIS软件中，我喜欢大多数样条函数，但工具运行太慢，这就是我转向SciPy的原因。线性/Delaunay三角测量也是可以接受的，但我更喜欢更平滑的表面。
我试过，真的很喜欢SciPy-Rbf，但它会随着点数的增加而消亡。也许把文件压缩到更小的瓦片上，然后再合并回来？
到目前为止，我找到的最好的解决方案是通过matplotlib.mlab使用带线性插值的网格数据。
import matplotlib.mlab as ml
zi = ml.griddata(x,y,z,xi,yi,interp='linear')
更新：另外两项改进。我意识到matplotlib.mlab网格数据与scipy.interpolate网格数据并不完全相同，第二个网格数据对我的情况更好。此外，我的坐标是以百万为单位的，对于大网格来说，这会给presicision（对于底层的Qhull库）带来很大的麻烦，所以最好将所有坐标移到原点附近，并在计算后移回。
from scipy.interpolate import griddata
x -= shift_x
y -= shift_y
zi = griddata((x,y),z,(xi,yi),method='linear')
xi += shift_x
yi += shift_y