使用 `scipy.interpolate.griddata` 的插值非常慢

Question

当我尝试将 "almost" 定期网格化数据插入地图坐标以便地图和数据都可以用 matplotlib.pyplot.imshow 绘制时，我遇到了 scipy.interpolate.griddata 极其缓慢的性能，因为 matplotlib.pyplot.pcolormesh 花费的时间太长，并且在 alpha 等方面表现不佳。

最好举个例子（输入文件可以下载here）：

import matplotlib.pyplot as plt
import numpy as np
from scipy.interpolate import griddata

map_extent = (34.4, 36.2, 30.6, 33.4)
# data corners:
lon = np.array([[34.5,        34.83806236],
                [35.74547079, 36.1173923]])
lat = np.array([[30.8,        33.29936152],
                [30.67890411, 33.17826563]])

# load saved files
topo = np.load('topo.npy')
lons = np.load('lons.npy')
lats = np.load('lats.npy')
data = np.load('data.npy')

# get max res of data
dlon = abs(np.array(np.gradient(lons))).max()
dlat = abs(np.array(np.gradient(lats))).max()

# interpolate the data to the extent of the map
loni,lati = np.meshgrid(np.arange(map_extent[0], map_extent[1]+dlon, dlon),
                        np.arange(map_extent[2], map_extent[3]+dlat, dlat))
zi = griddata((lons.flatten(),lats.flatten()),
              data.flatten(), (loni,lati), method='linear')

绘图：

fig, (ax1,ax2) = plt.subplots(1,2)
ax1.axis(map_extent)
ax1.imshow(topo,extent=extent,cmap='Greys')

ax2.axis(map_extent)
ax2.imshow(topo,extent=extent,cmap='Greys')

ax1.imshow(zi, vmax=0.1, extent=extent, alpha=0.5, origin='lower')
ax1.plot(lon[0],lat[0], '--k', lw=3, zorder=10)
ax1.plot(lon[-1],lat[-1], '--k', lw=3, zorder=10)
ax1.plot(lon.T[0],lat.T[0], '--k', lw=3, zorder=10)
ax1.plot(lon.T[-1],lat.T[-1], '--k', lw=3, zorder=10)


ax2.pcolormesh(lons,lats,data, alpha=0.5)
ax2.plot(lon[0],lat[0], '--k', lw=3, zorder=10)
ax2.plot(lon[-1],lat[-1], '--k', lw=3, zorder=10)
ax2.plot(lon.T[0],lat.T[0], '--k', lw=3, zorder=10)
ax2.plot(lon.T[-1],lat.T[-1], '--k', lw=3, zorder=10)

结果：

注意，这不能通过简单地用仿射变换旋转数据来完成。

griddata 每次使用我的真实数据调用需要 80 多秒，而 pcolormesh 需要更长的时间（超过 2 分钟！）。我已经查看了 Jaimi 的回答 here and Joe Kington's answer here，但我想不出一种方法让它为我工作。

我所有的数据集都具有完全相同的 lons、lats，所以基本上我需要将这些数据映射一次到地图的坐标并对数据本身应用相同的转换。问题是我该怎么做？

Answer 1

在长期忍受 scipy.interpolate.griddata 极其缓慢的性能后，我决定放弃 griddata，转而使用 OpenCV. Specifically, Perspective Transformation 进行图像转换。

所以对于上面的例子，上面问题中的那个，你可以获得输入文件 here，这是一段代码，它需要 1.1 毫秒而不是 692 毫秒上例中的重网格化部分。

import cv2
new_data = data.T[::-1]

# calculate the pixel coordinates of the
# computational domain corners in the data array
w,e,s,n = map_extent
dx = float(e-w)/new_data.shape[1]
dy = float(n-s)/new_data.shape[0]
x = (lon.ravel()-w)/dx
y = (n-lat.ravel())/dy

computational_domain_corners = np.float32(zip(x,y))

data_array_corners = np.float32([[0,new_data.shape[0]],
                                 [0,0],
                                 [new_data.shape[1],new_data.shape[0]],
                                 [new_data.shape[1],0]])

# Compute the transformation matrix which places
# the corners of the data array at the corners of
# the computational domain in data array pixel coordinates
tranformation_matrix = cv2.getPerspectiveTransform(data_array_corners,
                                                   computational_domain_corners)

# Make the transformation making the final array the same shape
# as the data array, cubic interpolate the data placing NaN's
# outside the new array geometry
mapped_data = cv2.warpPerspective(new_data,tranformation_matrix,
                                  (new_data.shape[1],new_data.shape[0]),
                                  flags=2,
                                  borderMode=0,
                                  borderValue=np.nan)

我看到此解决方案的唯一缺点是数据中存在轻微偏移，如所附图像中的非重叠轮廓所示。重新网格化的数据轮廓（可能更准确）为黑色，warpPerspective 数据轮廓为 'jet' 色阶。

目前，我对性能优势方面的差异感到满意，我希望这个解决方案也能帮助其他人。

有人（不是我...）应该找到提高 griddata 性能的方法:) 享受吧！

Answer 2

我使用了 numpy ndimage.map_coordinates。效果很好！

http://docs.scipy.org/doc/scipy-0.14.0/reference/generated/scipy.ndimage.interpolation.map_coordinates.html

从上面复制link:

scipy.ndimage.interpolation.map_coordinates(input, coordinates, output=None, order=3, mode='constant', cval=0.0, prefilter=True)

通过插值将输入数组映射到新坐标。

坐标数组用于为输出中的每个点查找输入中的对应坐标。这些坐标处的输入值由请求顺序的样条插值确定。

输出的形状是通过删除第一个轴从坐标数组的形状导出的。数组沿第一个轴的值是输入数组中找到输出值的坐标。

    from scipy import ndimage
    a = np.arange(12.).reshape((4, 3))
    a
    array([[  0.,   1.,   2.],
            [  3.,   4.,   5.],
            [  6.,   7.,   8.],
            [  9.,  10.,  11.]])
    ndimage.map_coordinates(a, [[0.5, 2], [0.5, 1]], order=1)
    [ 2.  7.]

使用 `scipy.interpolate.griddata` 的插值非常慢

Very slow interpolation using `scipy.interpolate.griddata`

python

numpy

matplotlib

scipy