版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
手头有中国区900百帕高度上的某时刻温度数据集，这个数据集包括3个数组：经度数组、纬度数组、温度数组。各数组值域范围如下：东经28.644232° ~ 177.3808°，北纬3.2973719° ~ 59.27192°，温度205.01515°K ~ 366.69788°K，共计18952个数据点，散列在一个倒三角区域内。
>>> data = np.load(r'D:\XufiveGit\CSDN\data\giirse.npz')
>>> lon = data['lon']
>>> lat = data['lat']
>>> tmp = data['tmp']
>>> lon.shape, lat.shape, tmp.shape
((18952,), (18952,), (18952,))
>>> lon.min(), lon.max(), lat.min(), lat.max()
(28.644232, 177.3808, 3.2973719, 59.27192)
>>> tmp.min(), tmp.max()
(205.01515, 366.69788)
将这些数据绘制在等经纬平面上，看起来是这样的：
>>> import matplotlib.pyplot as plt
>>> plt.scatter(lon, lat, s=1, c=tmp, cmap=plt.cm.hsv)
>>> plt.show()
客户要求将整个区域网格化，并将散列数据对应到临近的格点上，网格精度为0.2°（经度纬度相同）。最初，我们使用 scipy 的插值模块 interpolate 提供的格点插值函数 griddata 来实现，但效果不符合客户要求，且速度也慢得无法接受。griddata 的method 参数有3个选项：临近点、线性、三阶样条，下图是 griddata 分别使用线性插值（linear）和三阶样条插值（cubic）实现的效果（临近点插值效果更差）。
>>> import numpy as np
>>> from scipy.interpolate import griddata
>>> import matplotlib.pyplot as plt
>>> lats, lons = np.mgrid[3.2:59.6:0.2, 28.6:177.6:0.2]
>>> z = griddata((lon,lat), tmp, (lons, lats), method='linear') # 可以替换为‘cubic’
>>> plt.pcolor(lons, lats, z, cmap=plt.cm.hsv)
>>> plt.show()
尝试了各种手段，均以失败告终。不得已，只好用c代码写了一个dll，再用 python 调用，虽然代码结构复杂了不少，好在效果、速度都可以满足用户需求。之后的几年中，很多项目里面，凡是需要散列数据网格化的地方，无一例外，都调用了这个动态连接库。
近期又遇到了同样的需求，正好时间也比较宽裕，就花了几天的心思，终于用 numpy 实现了散列数据的网格化。还是以刚才的数据集为例，完整代码如下：
>>> lats, lons = np.mgrid[3.2:59.6:0.2, 28.6:177.6:0.2]
>>> cols = np.around((lon-28.6)/0.2).astype(np.int)
>>> rows = np.around((lat-3.2)/0.2).astype(np.int)
>>> z = np.empty(lons.shape)
>>> z.fill(np.nan)
>>> z[(rows, cols )] = tmp
够简单吧？重要的是，速度快到匪夷所思的地步！我把散列数据和格点数据用用样的方法画在一张图上，效果如下：
>>> plt.subplot(211)
>>> plt.scatter(lon, lat, s=1, c=tmp, cmap=plt.cm.hsv)
>>> plt.axis([25, 185, 3, 60])
>>> plt.subplot(212)
>>> plt.scatter(lons.ravel(), lats.ravel(), s=1, c=z.ravel(), cmap=plt.cm.hsv)
>>> plt.axis([25, 185, 3, 60])
>>> plt.show()
