二维阵列中的NaN插值。人烟稀少

Question

我有一个2D数组和一些NaN值。我想用我有数据的位置来修复（插值）这些值。这个数组看起来像下面的那个。在

如果可能的话，我想做插值，这样当我离开非NaN值时，我会越来越接近值0。在

我该怎么做？在

我读过gridddata，但它似乎是为处理非结构化的N维数据而设计的。我也读了other threads中的答案，但我认为他们的出发点是不同的。在

array([[        nan,         nan,         nan,         nan,         nan,
                nan,         nan,         nan,         nan,         nan],
       [        nan,         nan,         nan,         nan,         nan,
                nan,         nan,         nan,         nan,         nan],
       [        nan,         nan,         nan,         nan,         nan,
                nan,         nan,         nan,         nan,         nan],
       [        nan,         nan,         nan,         nan,         nan,
                nan,         nan,         nan,         nan,         nan],
       [ 1.        ,  0.        ,  1.        ,  0.        ,  0.25      ,
                nan,  0.        ,         nan,         nan,         nan],
       [        nan,  0.        ,         nan,  0.25      ,  0.66666667,
         0.25      ,  0.66666667,  0.        ,  1.        ,         nan],
       [ 0.        ,  0.5       ,  0.66666667,  0.8       ,  0.66666667,
         0.8       ,  0.5       ,  0.83333333,         nan,         nan],
       [ 0.625     ,  0.5625    ,  0.9       ,  0.8       ,  0.8       ,
         0.83333333,  0.57142857,  0.66666667,  0.5       ,         nan],
       [        nan,  1.        ,  0.71428571,  0.85714286,  1.        ,
         1.        ,  1.        ,         nan,         nan,         nan],
       [        nan,         nan,         nan,         nan,  1.        ,
         1.        ,         nan,         nan,         nan,         nan]])

Answer 1

有几十种可能的方法，基于什么样的插值技术，你想使用。事实上，由于你的数据被nan包围着，我宁愿把它看作是一个函数平滑，然后插值。如果你想更接近于零，在你的二维地图上，你离非南岛越远，我建议你这样做：

1. 将每个非NaN数据点X[i,j]视为以[i,j]为中心的高斯分布，方差为1，按其pdf( [i,j] ) = X[i,j]缩放，因此f_ij( [a,b] ) = X[i,j] * exp( -|| [a,b] - [i,j] ||^2/2 )。在
2. 对于每个NaN数据点X[a,b]集X[a,b] = sum( f_ij( [a,b] ) )，其中对非NaN数据点的所有[i,j]索引执行求和

结果你得到了一个类似“密度估计”的结果，通过改变方差（我建议使用=1），你可以修改“消失速度”值。在

所以代码只会在所有nan上循环一次，对于每个nan，您将遍历所有非nan并求出gaussian值的总和。在

会是这样的：

nans    = np.array( np.where(  np.isnan(X) ) ).T
notnans = np.array( np.where( ~np.isnan(X) ) ).T
for p in nans:
    X[p[0],p[1]] = sum( X[q[0],q[1]]*np.exp(-(sum((p-q)**2))/2) for q in notnans )