是的，您可以使用
scipy.interpolate.griddata和屏蔽数组，还可以选择使用参数的插值类型，
method通常
'cubic'可以很好地完成工作：
import numpy as npfrom scipy import interpolate#Let's create some random dataarray = np.random.random_integers(0,10,(10,10)).astype(float)#values grater then 7 goes to np.nanarray[array>7] = np.nan
看起来像这样
plt.imshow(array,interpolation='nearest')：
x = np.arange(0, array.shape[1])y = np.arange(0, array.shape[0])#mask invalid valuesarray = np.ma.masked_invalid(array)xx, yy = np.meshgrid(x, y)#get only the valid valuesx1 = xx[~array.mask]y1 = yy[~array.mask]newarr = array[~array.mask]GD1 = interpolate.griddata((x1, y1), newarr.ravel(), (xx, yy), method='cubic')
这是最终结果：
请注意，如果nan值在边缘且被nan值包围，则无法对thay进行插值并将其保留
nan。您可以使用
fill_value参数进行更改。
如果存在NaN值的3x3区域，这将如何工作，您会得到中间点的明智数据吗？
这取决于您的数据类型，您必须执行一些测试。例如，您可以故意对一些好的数据进行蒙版，尝试使用具有蒙版值的数组尝试不同种类的插值，例如三次，线性等，并计算插值与您之前蒙版的原始值之间的差，然后查看方法返回您的细微差别。
您可以使用如下形式：
reference = array[3:6,3:6].copy()array[3:6,3:6] = np.nanmethod = ['linear', 'nearest', 'cubic']for i in method: GD1 = interpolate.griddata((x1, y1), newarr.ravel(), (xx, yy),method=i) meandifference = np.mean(np.abs(reference - GD1[3:6,3:6])) print ' %s interpolation difference: %s' %(i,meandifference )
这给出了这样的内容：
linear interpolation difference: 4.88888888889 nearest interpolation difference: 4.11111111111 cubic interpolation difference: 5.99400137377
当然，这是针对随机数的，因此结果可能会有很大差异是正常的。因此，最好的办法是对数据集的“故意遮盖的”部分进行测试，然后看看会发生什么。
