通常来说，一维插值有很多方法，也比较容易实现。griddata()函数则是可以方便实现二维插值。

例：图中有9个网格点，横坐标为a，纵坐标为b，蓝色的数字是这个点的函数值。

（不好意思，例子比较简单，我直接手画了）

由于整个网格由离散点组成，当我们想知道 (1.5, 1.5) 或者 (2.5, 2.5) 的坐标值的时候，是无法直接获取的，只能通过二维的插值来得到，如下图。

 这个时候就可以采用griddata()函数，代码如下：

import numpy as np
from scipy.interpolate import griddata

a = [1,2,3]
b = [1,2,3]
ans = [4,5,6,3,4,5,2,3,4]
A,B = np.meshgrid(a,b)
# print(A)
# print(B)
X_star = np.hstack((A.flatten()[:,None], B.flatten()[:,None]))
# print(X_star)

m = [1.5,2.5]
n = [1.5,2.5]
M,N = np.meshgrid(m,n)
U = griddata(X_star, ans, (M, N), method='cubic')
print(U)

打印出U，为：

[[4.00000001 5.00000007]
 [2.99999996 3.99999998]]

为了方便检验，其实例子中的函数值就是两个坐标点加一块的值。这四个坐标的正确值应该为4、5、3、4，可以看到插值的结果还挺准确的。

注意事项：此函数只能对在原本网格范围内的点进行插值，超出原本网格范围的值则会被设置为nan。

比如初始的网格是[1,2,3], [1,2,3]，而我去插入 (1.5, 999) 处的值，这明显不可能，函数就直接输出nan。