np.interp仅支持一维线性插值且不支持NaN，因其底层要求xp严格单调递增、不含NaN，否则报ValueError或静默出错；处理含NaN数据需先清洗，多维插值必须依赖SciPy。
为什么直接用 np.interp 只能处理一维，且不支持 NaN？
np.interp 是 NumPy 原生最快的线性插值函数，但它严格要求输入 x 和 xp 都是 1D 升序数组，且 xp 中不能含 NaN —— 一旦有缺失值或非单调点，它会直接报错 ValueError: array must be monotonic 或静默返回错误结果。实际数据中常见传感器断点、时间戳乱序、多列并行插值需求，这时硬套 np.interp 反而更费调试时间。
- 若需插值列向量（如多组
y对同一xp），必须循环调用np.interp，无法向量化 - 二维网格插值（如图像重采样）完全不支持，
np.interp不接受axis参数 - 想跳过
NaN点？得先用np.isfinite清洗xp和fp，否则结果不可靠
用 scipy.interpolate.interp1d 处理带 NaN 的一维数据
当原始数据含 NaN 或需要多次对不同 x 查询时，interp1d 更鲁棒。它内部自动剔除无效点，并支持 kind='linear'（默认）、'nearest'、'quadratic' 等模式。
- 构造时传入
bounds_error=False, fill_value="extrapolate"，避免越界报错 - 若
xp有NaN，先执行mask = np.isfinite(xp) & np.isfinite(fp)，再传xp[mask]和fp[mask] - 返回的是可调用对象，支持直接传入数组：
f = interp1d(xp_clean, fp_clean); y_new = f(x_new) - 注意：
interp1d默认要求xp单调，但设assume_sorted=False会自动排序（轻微性能损耗）
二维插值必须用 scipy.interpolate.RegularGridInterpolator
NumPy 没有原生二维插值，scipy 的 RegularGridInterpolator 是唯一高效方案，适用于规则网格（如图像、地理栅格）。它比 griddata 快一个数量级，且支持任意维度。
- 输入必须是分离的坐标轴：例如二维需
(x_axis, y_axis)（都是 1D 数组），而非完整XX, YY网格 - 数据
values必须是 shape 匹配的 ND 数组，如 (len(x_axis), len(y_axis)) - 查询点
points是形状为 (N, 2) 的数组，每行是[x_i, y_i]，不能传两个独立 1D 数组 - 若原始数据是散点（不规则），先用
scipy.interpolate.griddata插到规则网格，再喂给RegularGridInterpolator，否则精度损失大
性能关键：何时该用 numba 加速自定义插值？
当插值逻辑复杂（如分段线性 + 边界条件判断）、数据量极大（>10M 点）、且调用频次高时，scipy 的 Python 层开销会成为瓶颈。此时手写 Numba JIT 函数收益明显。
立即学习“Python免费学习笔记（深入）”；
- 用
@njit(fastmath=True)装饰器，禁用 Python 安全检查 - 避免在函数内调用
np.interp或scipy—— Numba 不支持它们 - 手动实现二分查找（
np.searchsorted在 Numba 中可用），再线性加权，比调库快 3–5 倍 - 注意：Numba 不支持字符串、动态类型、部分
np.ndarray方法（如.clip()），需用等效循环替代
插值不是“选个函数就行”的事——数据质量、维度结构、调用频率共同决定路径。盲目套 np.interp 看似简单，出问题时反而最难定位；而提前处理 NaN 和坐标单调性，比事后 debug 节省的时间多得多。
