输入数据包含的NaN

你应该样品进行预处理的数据包含南值以删除南值这个数据不能有助于插值。如果A.南删除时，相应的数据值/坐标也应删除，以确保一致性。如果南值存在于样本数据，调用时的构造将出错。

以下示例说明了如何删除南s。

创建一些数据并替换一些条目南：

x = rand（25,1）* 4-2;y = rand（25,1）* 4-2;v = x。^ 2 + y。^ 2;x（5）=南;X（10）= NaN;y（12）= nan;v（14）=南;

F = scatteredInterpolant (x, y, V);

nan_flags = isnan（x）|isnan（y）|isnan（V）;x（nan_flags）= [];y（nan_flags）= [];V（nan_flags）= [];F = scatteredInterpolant (x, y, V);

2 X =兰特(25日)* 4 - 2;V = X(: 1)。^ 2 + X (:, 2) ^ 2;X(1) =南;1) X(10日=南;2) X(12日=南;v（14）=南;

F = scatteredInterpolant（X，V）;

nan_flags = isnan（X（：，1））|isnan（X（：，2））|isnan（V）;X（nan_flags，:) = [];V（nan_flags）= [];F = scatteredInterpolant（X，V）;

Interpolant输出NaN值

griddata和栅格坦返回南属性查询凸包外的点时'线性'或者“自然”方法。但是，如果使用的是使用该点查询相同点，则可以期待数值结果“最近的”方法。这是因为，最近邻查询点存在内外的凸包。

如果要在凸船外计算近似值，则应使用scatteredInterpolant．看到推断分散的数据有关更多信息。

处理重复点位置

输入数据很少是“完美的”，应用程序可能不得不处理重复的数据点位置。在数据集中相同位置的两个或多个数据点可以有不同的对应值。在这个场景中,scatteredInterpolant合并的点并计算平均值对应的值。这个例子说明了如何scatteredInterpolant在具有重复点的数据集上执行插值。

这个值是原始的第50和第100个值的平均值，因为这两个数据点的位置相同:

（v（50）+ v（100））/ 2

在一些插值问题中，多组样本值可能对应于相同的位置。例如，一组值可能在不同的时间记录在相同的位置。为了提高效率，您可以插入一组读数，然后替换值以插入下一组读数。

当替换存在重复点位置的值时，始终使用一致的数据管理。假设您有两组与100个数据点位置相关联的值，并且希望通过替换值来依次插入每一组值。

在这种更复杂的情况下，有必要删除之前创建和编辑插值的重复。用来独特函数来求唯一点的指标。独特还可以输出标识重复点指数的参数。

[〜，I，〜] =唯一的（[X Y]， '第一'， '行'）;I =排序（I）;X = X（I）;Y = Y（I）;V1 = V1（I）;V2 = V2（I）;F = scatteredInterpolant（X，Y，V1）

F.Values = V2;

当编辑一个分散的插值时实现效率

scatteredInterpolant您可以编辑代表样本值的属性（F.Values）和内插方法（F.Method.）.由于这些属性独立于底层的三角剖分，因此可以有效地执行编辑。但是，与处理大型数组一样，在编辑数据时，应该注意不要意外地创建不必要的副本。当多个变量引用一个数组并对该数组进行编辑时，就会进行复制。

副本未执行以下操作：

A1 =魔法（4）A1（4,4）= 11

A1 = magic(4) A2 = A1 A1(4,4) = 32

下面的例子演示了这种行为，但应注意的是，在这个例子中的性能提升不推广到其他功能的MATLAB。

此代码不会产生最佳性能：

x =兰德(1000000,1)* 4 - 2;y =兰德(1000000,1)* 4 - 2;z = x。* exp (- x ^ 2 y ^ 2);抽搐;F = scatteredInterpolant (x, y, z);toc抽搐;F.Values = 2 * z;toc

当MATLAB执行一个由驻留在文件中的函数组成的程序时，它有一个完整的代码执行画面;这允许MATLAB优化性能。当您在命令行输入代码时，MATLAB无法预测您接下来要输入什么，因此它无法执行相同级别的优化。通过创建可重用函数来开发应用程序是一般的和推荐的实践，MATLAB将在这种设置下优化性能。

插值效果差近凸包

德劳内三角非常适合散乱数据插值问题，因为它有产生好的效果良好的几何性质。这些属性是：

空外接圆特性保证了插补值由采样点在查询地点附近的影响。尽管这些优势，在某些情况下，数据点的分布可能会导致差的结果，这通常发生在样本数据集的凸包的附近。当插值产生意外的结果，样本数据和下面的三角测量的曲线图通常可以提供深入的问题。

这个例子显示了在边界附近恶化的插值表面。

创建一个简单的数据集，将表现出边界附近的问题。

t = 0.4 *π:0.02:0.6 *π;x1 = cos (t) ';日元=罪(t)的-1.02;x1, x2 =y2 = y₁* (1);x3 = linspace (-0.3, 0.3, 16) ';y3 = 0(16日1);x = (x1, x2, x3);y = (y1, y2; y3);

现在把这些样本点提到表面上 $$\mathrm{Z.}={\mathrm{X.}}^2+y^2$$并插入表面。

。Z = X ^ 2 + Y ^ 2。F = scatteredInterpolant (x, y, z);[xi, yi] = meshgrid (-0.3: .02:0.3, -0.0688:0.01:0.0688);滋= F（XI，YI）;目（XI，苡仁，ZI）xlabel（“X”那“fontweight”那'B'), ylabel ('是'那“fontweight”那'B') zlabel (“价值——V”那“fontweight”那'B')标题('内插表面'）;

实际的表面是:

。滋= XI ^ 2 +易^ 2。图目（XI，苡仁，ZI）标题（“实际的表面”）

要理解为什么边界附近的插值面恶化，是有帮助的看下面的三角：

DT =德劳内三角化（X，Y）;图图（X，Y，'* r'）轴平等hold上triplot（DT）图（X1，Y1，“- r”）图（X2，Y2，“- r”)标题('用于创建Interpolant的三角估计'抱紧离开

红色边界内的三角形形状相对较好;它们是由距离很近的点构成的，并且插值在这个区域工作得很好。在红色边界之外，三角形是银条状的，连接彼此遥远的点。没有足够的采样来准确地捕捉地表，所以这些地区的结果很差也就不足为奇了。在三维中，对三角测量的视觉检查会变得有点棘手，但观察点的分布通常有助于说明潜在的问题。

该MATLAB®4griddata方法,v4的，不以三角剖分为基础，不受边界附近插值面退化的影响。

[xi, yi] = meshgrid (-0.3: .02:0.3, -0.0688:0.01:0.0688);子= griddata (x, y, z, xi,咦,v4的）;目（XI，苡仁，ZI）xlabel（“X”那“fontweight”那'B'), ylabel ('是'那“fontweight”那'B') zlabel (“价值——V”那“fontweight”那'B')标题('用v4方法从网格数据中插入曲面'那“fontweight”那'B'）;

内插表面griddata使用v4的方法对应于预期实际表面。