ndimage.zoom

这可能是最好的方法，zoom method正是为这类任务而设计的。from scipy.ndimage import zoom

new_array = zoom(array, (0.5, 0.5, 2))

按指定的因子更改每个维度中的大小。如果数组的原始形状是(40, 50, 60)，那么新的数组将是(20, 25, 120)。

信号重采样from scipy.signal import resample_poly

factors = [(1, 2), (1, 2), (2, 1)]

for k in range(3):

array = resample_poly(array, factors[k][0], factors[k][1], axis=k)

因子（必须是整数）是上下采样的。即：（1，2）是指尺寸除以2

（2，1）是指尺寸乘以2

（2，3）表示向上2，然后向下3，因此大小乘以2/3

可能的缺点是：这个过程在每个维度上都是独立的，因此空间结构可能不像ndimage方法那样被考虑在内。

RegularGridInterpolator

这是更实际的，但也更费力，而且没有过滤的好处：直接的下采样。我们必须为插值程序创建一个网格，在每个方向使用原始步长。创建内插器后，需要在新网格上对其求值；其调用方法采用不同的网格格式，使用mgrid准备。values = np.random.randint(0, 256, size=(40, 50, 60)).astype(np.uint8) # example

steps = [0.5, 0.5, 2.0] # original step sizes

x, y, z = [steps[k] * np.arange(array.shape[k]) for k in range(3)] # original grid

f = RegularGridInterpolator((x, y, z), values) # interpolator

dx, dy, dz = 1.0, 1.0, 1.0 # new step sizes

new_grid = np.mgrid[0:x[-1]:dx, 0:y[-1]:dy, 0:z[-1]:dz] # new grid

new_grid = np.moveaxis(new_grid, (0, 1, 2, 3), (3, 0, 1, 2)) # reorder axes for evaluation

new_values = f(new_grid)

缺点：例如，当一个维度减少2时，它实际上会每隔一个值下降一次，这就是简单的下采样。理想情况下，在这种情况下，应该平均相邻值。在信号处理方面，在{a5}中，低通滤波先于下采样。