Xarray库关于插值的操作内容不多，但是很实用，需要安装scipy库。
首先我们还是创建一个DataArray:
da = xr.DataArray(np.sin(0.3 * np.arange(12).reshape(4, 3)),[('time', np.arange(4)),('lat', [30, 60, 90])])
print(da)
#
#array([[ 0. , 0.29552021, 0.56464247],
# [ 0.78332691, 0.93203909, 0.99749499],
# [ 0.97384763, 0.86320937, 0.67546318],
# [ 0.42737988, 0.14112001, -0.15774569]])
#Coordinates:
# * time (time) int64 0 1 2 3
# * lat (lat) int64 30 60 90
exp1
我们先对时间维插值，比如说这里有第0天，1天，2天和3天，我们想获取第1.5天的数据：
print(da.interp(time=1.5))
#
#array([0.87858727, 0.89762423, 0.83647908])
#Coordinates:
# * lat (lat) int64 30 60 90
# time float64 1.5
可以看出实际上是对第1天和第2天的数据取了平均.
如果要往外插，比如说得到第3.5天的数据，得到的结果全是np.nan
也可以通过datetime格式的字符串指定插值时间：da.interp(time='2000-01-02')
也可以同时指定对多个维度插值da.interp(time=1.5，lat=45)
通过这个功能，就能实现不同网格的插值，甚至是站点数据到格点的插值。
exp2
这部分主要 是介绍几种插值的方法
import matplotlib.pyplot as plt
da = xr.DataArray(np.sin(np.linspace(0, 2 * np.pi, 10)), dims='x',coords={'x': np.linspace(0, 1, 10)})
da.plot.line('o', label='original')
da.interp(x=np.linspace(0, 1, 100)).plot.line(label='linear (default)')
da.interp(x=np.linspace(0, 1, 100), method='cubic').plot.line(label='cubic')
plt.legend()
.interp()函数通过参数设置，可以实用不同的插值方法，比如linear线性，cubic立方等等
为了解决EXP1中提到的外插全是缺测的问题，可以通过如下参数的设置进行调整：
# 用0填充
da.interp(x=np.linspace(-0.5, 1.5, 10), kwargs={'fill_value': 0.0})
#
#array([ 0. , 0. , 0. , 0.814, 0.604, -0.604, -0.814, 0. , 0. , 0. ])
#Coordinates:
# * x (x) float64 -0.5 -0.2778 -0.05556 0.1667 ... 0.8333 1.056 1.278 1.5
# 外推
da.interp(x=np.linspace(-0.5, 1.5, 10), kwargs={'fill_value': 'extrapolate'})
#
#array([-2.893, -1.607, -0.321, 0.814, 0.604, -0.604, -0.814, 0.321, 1.607, 2.893])
#Coordinates:
# * x (x) float64 -0.5 -0.2778 -0.05556 0.1667 ... 0.8333 1.056 1.278 1.5
原本小于0和大于1的部分是没用数值的，但是通过这种方法，填充或外推出了对应的数值。
exp3
接下来实现更高端一点的操作：
左图表示通过索引，选取出了一条斜线。
右图表示通过插值，选取出了一条不在格点上的斜线。
这种方法，在我们绘制不规则垂直剖面时非常需要。
da = xr.DataArray(np.sin(0.3 * np.arange(20).reshape(5, 4)),
[('x', np.arange(5)),('y', [0.1, 0.2, 0.3, 0.4])])
x = xr.DataArray([0, 2, 4], dims='z')
y = xr.DataArray([0.1, 0.2, 0.3], dims='z')
da.sel(x=x, y=y)
print(da.sel(x=x, y=y))
#
#array([ 0. , 0.42737988, -0.77276449])
#Coordinates:
# x (z) int64 0 2 4
# y (z) float64 0.1 0.2 0.3
#Dimensions without coordinates: z
以上代码实现了左图的操作。
da = xr.DataArray(np.sin(0.3 * np.arange(20).reshape(5, 4)),
[('x', np.arange(5)),('y', [0.1, 0.2, 0.3, 0.4])])
x = xr.DataArray([0.5, 1.5, 2.5], dims='z')
y = xr.DataArray([0.15, 0.25, 0.35], dims='z')
print(da.interp(x=x, y=y))
#
#array([ 0.55626357, 0.63496063, -0.46643289])
#Coordinates:
# x (z) float64 0.5 1.5 2.5
# y (z) float64 0.15 0.25 0.35
#Dimensions without coordinates: z
以上代码实现了右图的操作。
Metpy库中有类似操作的实现，本质就是对这个函数的封装。
exp4
接下来部分涉及到缺测值的问题。
da = xr.DataArray([0, 2, np.nan, 3, 3.25], dims='x',coords={'x': range(5)})
print(da.interp(x=[0.5, 1.5, 2.5]))
#
#array([ 1., nan, nan])
#Coordinates:
# * x (x) float64 0.5 1.5 2.5
可以看到默认设置是无法处理缺测值的，可以首先去除缺测部分：
dropped = da.dropna('x')
print(dropped)
#
#array([0. , 2. , 3. , 3.25])
#Coordinates:
# * x (x) int64 0 1 3 4
print(dropped.interp(x=[0.5, 1.5, 2.5], method='cubic'))
#
#array([1.19010417, 2.5078125 , 2.9296875 ])
#Coordinates:
# * x (x) float64 0.5 1.5 2.5
但是这样之后数组的shape发生了变化十分不方便。
XARRAY提供了填补缺测数据的方法：
filled = da.interpolate_na(dim='x')
print(filled)
#
#array([0. , 2. , 2.5 , 3. , 3.25])
#Coordinates:
# * x (x) int64 0 1 2 3 4
在填补之后，在进行插值便可。
总结
Xarray关于插值的用法还是非常好用的，可以实现包括：
1、填补缺测
2、站点插格点
3、任意剖面截取
4、不同分辨率格点互插
5、规则网格插非规则网格
6、数据延长
等等操作，这边的例子仅是参考官方文档的一些基础举例。