实际上，你可以使用每一个接受x, y, z的函数（interp2d就是这样，其他的也可能是这样）来处理你的掩码数据。但是你需要显式地创建一个mgrid：

z = ... # Your data
x, y = np.mgrid[0:z.shape[0], 0:z.shape[1]]

字符串
然后，您需要删除所有这些坐标中的所有掩码值：

x = x[~z.mask]
y = y[~z.mask]
z = z[~z.mask]

型
使用这些最终的x, y, z，您可以调用指定的每个函数（它接受不完整的格网，因此RectBivariateSpline将不起作用）。但是请注意，其中一些使用插值框，因此如果由于掩码而丢弃数据的区域太大，则插值将在那里失败（结果是np.nan或0）。但是如果发生这种情况，您可以调整参数以进行补偿。

例如：

data = np.random.randint(0, 10, (5,5))
mask = np.random.uniform(0,1,(5,5)) > 0.5
z = np.ma.array(data, mask=mask)
x, y = np.mgrid[0:z.shape[0], 0:z.shape[1]]
x1 = x[~z.mask]
y1 = y[~z.mask]
z1 = z[~z.mask]
interp2d(x1, y1, z1)(np.arange(z.shape[0]), np.arange(z.shape[1]))

array([[  1.1356716 ,   2.45313727,   3.77060294,   6.09790177, 9.31328935],
       [  3.91917937,   4.        ,   4.08082063,   3.98508121, 3.73406764],
       [ 42.1933738 ,  25.0966869 ,   8.        ,   0.        , 0.        ],
       [  1.55118338,   3.        ,   4.44881662,   4.73544593, 4.        ],
       [  5.        ,   8.        ,  11.        ,   9.34152525, 3.58619652]])

型
你可以看到0的小区域，因为掩码有很多掩码值：

mask
array([[False,  True,  True,  True, False],
       [False, False,  True, False, False],
       [ True,  True, False,  True,  True],
       [False,  True, False,  True,  True],
       [False,  True, False, False,  True]], dtype=bool)

data
array([[2, 4, 4, 5, 5],
       [1, 4, 1, 3, 8],
       [9, 1, 8, 0, 9],
       [7, 2, 0, 3, 4],
       [9, 6, 0, 4, 4]])

型

@MSeifert概述的方法的问题是丢失了规则的网格结构，导致插值效率低下。只有通过插值来填充缺失的数据才是合理的，但不适用于从一个网格到另一个网格的典型插值，其中缺失的数据不应该被填充。
在这种情况下，使用np.nan填充缺失值是最简单的方法。这些将在计算中传播，并且所得数组将在缺失值用于插值的任何地方都具有nans。

# fast interpolator that use the regular grid structure (x and y are 1D arrays)
z = z_masked.filled(np.nan)
zinterp = RegularGridInterpolator((x, y), z.T)

# new grid to interpolate on
X2, Y2 = np.meshgrid(x2, y2)
newpoints = np.array((X2, Y2)).T

# actual interpolation
z2 = zinterp(newpoints)
z2_masked = np.ma.array(z2, mask=np.isnan(z2))

字符串
为了完整起见，另一种方法是插值第二个mask数组（在数据缺失的地方填充1，否则填充0）来填充新网格上的缺失值。

# fast interpolator that use the regular grid structure (x and y are 1D arrays)
zinterp = RegularGridInterpolator((x, y), z.T)
minterp = RegularGridInterpolator((x, y), (mask+0.).T)

# actual interpolation
z2 = zinterp(newpoints)
mask2 = minterp(newpoints) > 0  # apply threshold, e.g. 0.5 is considered contaminated and will be removed.
z2[mask2] = np.nan  # fill with nans or whatever missing data flag

型
注意，如果需要样条插值，这两种方法都应该与BivariateSpline一起工作。无论哪种方式，这都应该比使用interp 2d快得多。

我通常遵循@mseifert描述的方法，但如果我厌倦了通过掩蔽区域的插值误差，则添加以下改进。这似乎是您的关注点之一，@ hurrdraw？这个想法是将掩码传播到插值结果。一维数据的一个简单示例是：

def ma_interp(newx,x,y,mask,propagate_mask=True):
    newy = np.interp(newx,x[~mask],y[~mask]) # interpolate data
    if propagate_mask: # interpolate mask & apply to interpolated data
        newmask = mask[:]
        newmask[mask] = 1; newmask[~mask] = 0
        newmask = np.interp(newx,x,newmask)
        newy = np.ma.masked_array(newy, newmask>0.5)
    return newy

字符串