对于没有结构的点的分散数据，请尝试 inverse-distance-weighted-idw-interpolation-with-python。这将 scipy 的快速K-d_trees 与反距离又称为径向内核相结合：

$\qquad interpol( x ) = \sum w_i \, f_i$, 总和说最近的 10 个点$x$
$\qquad \qquad \qquad \qquad w_i = {1 \over |x - x_i|^p}$归一化所以$\sum w_i = 1$.
它只有 40 行代码，易于理解和修改。库存 iMac 上的运行时间：
0.2 秒在 3d 中为 170k 点构建 Kd 树
25 秒以查询 100k 点。

对于 2d、3d 及以上的矩形网格（也称为盒形网格），数据位于例如 $m \times n \times k$积分$(x_i, y_j, z_k)$没有 NA，请参阅 Intergrid，它是scipy.ndimage.map_coordinates的包装器。

（不用说，检查任何插值是个好主意。一个简单的方法是将数据分成 90%$train$+ 10 %$test$点，比较$interpolate( \, train \to test \, )$和$true( \, test \, )$.)

另请参阅：
gis.stackexchange.com/questions/tagged/interpolation+python on gis.stack
how-to-interpolate-scattered-data-to-a-regular-grid-in-python on earthscience.stack
pyresample， pyproj。