要基于存储在Excel中（表现为多张二维表格）的三维数据进行三输入线性插值查表，核心在于解析数据结构和实现三维线性插值算法。以下是一个功能完整的Python函数实现。 ### 1. 函数定义与数据加载 该函数首先使用`pandas`加载Excel文件中的所有工作表，将其组织成一个三维数据结构（通常是字典或列表的嵌套），然后基于三个输入坐标`(x, y, z)`执行三维线性插值。 ```python import pandas as pd import numpy as np from typing import Union, Dict, List def excel_3d_interpolation(excel_path: str, x_val: float, y_val: float, z_val: float, x_col_name: str = 'x', y_col_name: str = 'y', z_sheet_prefix: str = 'z_') -> float: """ 对存储在Excel多工作表（每个工作表代表一个Z平面）中的三维表格进行线性插值查表。 参数: excel_path: Excel文件路径。 x_val: 要查询的X坐标值。 y_val: 要查询的Y坐标值。 z_val: 要查询的Z坐标值。 x_col_name: 每个工作表中代表X坐标的列名。 y_col_name: 每个工作表中代表Y坐标的列名。 z_sheet_prefix: 工作表名称的前缀，用于识别Z平面。例如，工作表名'z_10'表示Z=10的平面。 返回: 插值结果。如果查询点超出数据范围，将引发ValueError。 """ # 加载所有工作表 all_sheets = pd.read_excel(excel_path, sheet_name=None) # 解析三维数据结构：提取Z值并关联数据 z_planes = {} for sheet_name, df in all_sheets.items(): if sheet_name.startswith(z_sheet_prefix): try: z = float(sheet_name[len(z_sheet_prefix):]) # 从工作表名提取Z值 z_planes[z] = df.set_index([x_col_name, y_col_name]) except ValueError: print(f"警告：工作表名'{sheet_name}'不符合Z平面命名约定，已跳过。") if not z_planes: raise ValueError("未找到有效的Z平面工作表。请检查工作表命名前缀。") # 获取所有唯一的X、Y、Z坐标并排序 z_coords = sorted(z_planes.keys()) # 假设所有Z平面的X、Y网格相同，取第一个平面获取坐标 sample_df = z_planes[z_coords[0]] x_coords = sorted(sample_df.index.get_level_values(x_col_name).unique()) y_coords = sorted(sample_df.index.get_level_values(y_col_name).unique()) # 检查查询点是否在数据范围内 if (x_val < min(x_coords) or x_val > max(x_coords) or y_val < min(y_coords) or y_val > max(y_coords) or z_val < min(z_coords) or z_val > max(z_coords)): raise ValueError(f"查询点({x_val}, {y_val}, {z_val})超出数据范围。" f"X范围: [{min(x_coords)}, {max(x_coords)}], " f"Y范围: [{min(y_coords)}, {max(y_coords)}], " f"Z范围: [{min(z_coords)}, {max(z_coords)}]") # 在Z方向找到包围查询点的两个平面 z_low, z_high = None, None for i in range(len(z_coords) - 1): if z_coords[i] <= z_val <= z_coords[i + 1]: z_low, z_high = z_coords[i], z_coords[i + 1] break if z_low is None: # 查询点恰好位于某个Z平面 z_low = z_high = max(z for z in z_coords if z <= z_val) # 获取两个Z平面的数据 df_z_low = z_planes[z_low] df_z_high = z_planes.get(z_high, df_z_low) # 如果z_high不存在（查询点在边界），使用相同平面 # 在X方向找到包围点 x_low = max(x for x in x_coords if x <= x_val) x_high = min(x for x in x_coords if x >= x_val) # 在Y方向找到包围点 y_low = max(y for y in y_coords if y <= y_val) y_high = min(y for y in y_coords if y >= y_val) # 提取四个角点的值（在低Z平面） try: f_xlyl_zlow = df_z_low.loc[(x_low, y_low)].iloc[0] # 假设值为第一列 f_xlyh_zlow = df_z_low.loc[(x_low, y_high)].iloc[0] f_xhyl_zlow = df_z_low.loc[(x_high, y_low)].iloc[0] f_xhyh_zlow = df_z_low.loc[(x_high, y_high)].iloc[0] except KeyError as e: raise ValueError(f"在Z={z_low}平面未找到坐标({e})对应的数据点。") # 如果高低Z平面不同，提取高Z平面的四个角点值 if z_low != z_high: try: f_xlyl_zhigh = df_z_high.loc[(x_low, y_low)].iloc[0] f_xlyh_zhigh = df_z_high.loc[(x_low, y_high)].iloc[0] f_xhyl_zhigh = df_z_high.loc[(x_high, y_low)].iloc[0] f_xhyh_zhigh = df_z_high.loc[(x_high, y_high)].iloc[0] except KeyError as e: raise ValueError(f"在Z={z_high}平面未找到坐标({e})对应的数据点。") else: f_xlyl_zhigh = f_xlyl_zlow f_xlyh_zhigh = f_xlyh_zlow f_xhyl_zhigh = f_xhyl_zlow f_xhyh_zhigh = f_xhyh_zlow # 第一步：在低Z平面进行二维线性插值 if x_low == x_high: f_zlow = f_xlyl_zlow if y_low == y_high else ( f_xlyl_zlow + (f_xlyh_zlow - f_xlyl_zlow) * (y_val - y_low) / (y_high - y_low) ) elif y_low == y_high: f_zlow = f_xlyl_zlow + (f_xhyl_zlow - f_xlyl_zlow) * (x_val - x_low) / (x_high - x_low) else: # 双线性插值 f_zlow_yl = f_xlyl_zlow + (f_xhyl_zlow - f_xlyl_zlow) * (x_val - x_low) / (x_high - x_low) f_zlow_yh = f_xlyh_zlow + (f_xhyh_zlow - f_xlyh_zlow) * (x_val - x_low) / (x_high - x_low) f_zlow = f_zlow_yl + (f_zlow_yh - f_zlow_yl) * (y_val - y_low) / (y_high - y_low) # 第二步：在高Z平面进行二维线性插值 if z_low != z_high: if x_low == x_high: f_zhigh = f_xlyl_zhigh if y_low == y_high else ( f_xlyl_zhigh + (f_xlyh_zhigh - f_xlyl_zhigh) * (y_val - y_low) / (y_high - y_low) ) elif y_low == y_high: f_zhigh = f_xlyl_zhigh + (f_xhyl_zhigh - f_xlyl_zhigh) * (x_val - x_low) / (x_high - x_low) else: f_zhigh_yl = f_xlyl_zhigh + (f_xhyl_zhigh - f_xlyl_zhigh) * (x_val - x_low) / (x_high - x_low) f_zhigh_yh = f_xlyh_zhigh + (f_xhyh_zhigh - f_xlyh_zhigh) * (x_val - x_low) / (x_high - x_low) f_zhigh = f_zhigh_yl + (f_zhigh_yh - f_zhigh_yl) * (y_val - y_low) / (y_high - y_low) else: f_zhigh = f_zlow # 第三步：在Z方向进行线性插值 if z_low == z_high: result = f_zlow else: result = f_zlow + (f_zhigh - f_zlow) * (z_val - z_low) / (z_high - z_low) return result ``` ### 2. Excel数据结构要求与示例 为了使上述函数正常工作，Excel文件需要遵循特定的结构约定。每个工作表代表一个Z平面，工作表名称应包含Z值（例如`z_0`、`z_10`、`z_20`）。每个工作表内是一个标准的二维表格，包含X坐标列、Y坐标列和对应的数值列。 | 工作表命名示例 | 含义 | | :--- | :--- | | `z_0` | Z=0时的数据平面 | | `z_5` | Z=5时的数据平面 | | `z_10` | Z=10时的数据平面 | 每个工作表内的数据结构示例如下（假设`x_col_name='X'`, `y_col_name='Y'`，数值列名为`'Value'`）： **工作表 `z_0` 内容示例：** | X | Y | Value | |---|---|-------| | 0 | 0 | 1.0 | | 0 | 1 | 1.5 | | 1 | 0 | 2.0 | | 1 | 1 | 2.5 | **工作表 `z_10` 内容示例：** | X | Y | Value | |---|---|-------| | 0 | 0 | 3.0 | | 0 | 1 | 3.5 | | 1 | 0 | 4.0 | | 1 | 1 | 4.5 | ### 3. 函数使用示例 ```python # 示例1：基本调用 result = excel_3d_interpolation( excel_path='3d_data.xlsx', x_val=0.5, y_val=0.5, z_val=5.0, x_col_name='X', y_col_name='Y', z_sheet_prefix='z_' ) print(f"插值结果: {result}") # 对于上述示例数据，应输出2.5 # 示例2：批量查询 query_points = [(0.2, 0.8, 2.0), (0.7, 0.3, 8.0), (0.5, 0.5, 5.0)] results = [] for x, y, z in query_points: try: val = excel_3d_interpolation('3d_data.xlsx', x, y, z) results.append(val) except ValueError as e: print(f"查询点({x}, {y}, {z})错误: {e}") results.append(None) print(f"批量查询结果: {results}") ``` ### 4. 技术实现要点解析 该函数的核心算法遵循三维线性插值的标准流程，其计算过程可分解为以下步骤： 1. **数据解析与验证**：加载Excel文件，根据工作表名称前缀识别Z平面，提取每个平面的二维数据并建立索引，验证数据完整性和查询点范围[ref_1]。 2. **坐标定位**：在X、Y、Z三个维度上分别找到包围查询点的两个最近邻网格点。这是线性插值的前提，确保插值在已知数据点之间进行。 3. **分层插值**： * 首先在低Z平面和高Z平面上分别执行二维双线性插值。二维插值本身又分为两步：先在X方向线性插值得到两个中间值，再在Y方向对这两个中间值进行插值[ref_3]。 * 然后在Z方向上对两个二维插值结果进行线性插值，得到最终的三维插值结果。 4. **边界处理**：函数包含了完善的边界情况处理逻辑。当查询点恰好位于某个网格点或网格线上时（例如`x_low == x_high`），插值会退化为低维度的线性插值或直接取值，避免除零错误[ref_5]。 这种“先二维后一维”的插值策略（即先在两个Z平面上做双线性插值，再在Z方向线性插值）在数学上等价于三线性插值，是处理规则三维网格数据最高效且准确的方法之一[ref_3]。 ### 5. 高级功能扩展 对于更复杂的应用场景，可以考虑以下扩展方向： * **非网格数据支持**：当前实现假设每个Z平面的X-Y网格是完全相同的。如果网格不一致，需要修改数据结构解析部分，为每个Z平面独立存储其X、Y坐标，并在插值时动态查找每个平面的最近邻点。 * **外推功能**：通过设置`extrapolate=True`参数并配合外推算法（如最近邻外推或线性外推），允许查询点略微超出数据范围。 * **多数值列支持**：当前函数默认使用数据框的第一列作为插值目标。可扩展为支持指定列名或同时插值多列，返回字典或数组。 * **性能优化**：对于大规模数据或频繁查询，可将解析后的三维数据缓存起来，避免每次查询都重新读取Excel文件。也可使用`scipy.interpolate.RegularGridInterpolator`等库函数替代手动插值逻辑，提升计算效率和数值稳定性。 此函数提供了一个从Excel三维表格到Python可调用插值函数的完整解决方案，其结构清晰、鲁棒性强，可直接应用于工程数据分析、仿真结果查询等实际场景[ref_1][ref_3][ref_5]。