请尝试改用griddata：

grid_z1 = griddata(points, values, (grid_x, grid_y), method='linear')

不同之处在于griddata需要常规数据作为输入（嗯......，我认为）。这并不是说你应该得到不同的结果，而是你可以更快地发现问题。你可以很容易地屏蔽“常规网格”数据。
我的第一个猜测是，这些输入坐标并不是你所期望的（可能与你正在计算的函数的尺度不同），但如果不进行测试，很难说。
在任何情况下，您似乎都需要一个表面，根据定义，它是一种栅格数据，因此使用这种不同的框架应该很容易发现问题。
EDIT（对发帖人质疑的进一步考量）：
假设你想在某个对象中输入一些数据，然后你想使用这些数据来估计任何位置，为此你可以构建一个类，如下所示：

import numpy as np

    class Estimation():
        def __init__(self,datax,datay,dataz):
            self.x = datax
            self.y = datay
            self.v = dataz

        def estimate(self,x,y,using='ISD'):
            """
            Estimate point at coordinate x,y based on the input data for this
            class.
            """
            if using == 'ISD':
                return self._isd(x,y)

        def _isd(self,x,y):
            d = np.sqrt((x-self.x)**2+(y-self.y)**2)
            if d.min() > 0:
                v = np.sum(self.v*(1/d**2)/np.sum(1/d**2))
                return v
            else:
                return self.v[d.argmin()]

这个例子使用的是平方反比距离方法，它对于估计非常稳定（如果你避免除以零）。它不会很快，但我希望它是可以理解的。从这一点上，你可以估计二维空间中的任何点，通过以下操作：

e = Estimation(datax,datay,dataz)
    newZ = e.estimate(30,55) # the 30 and 55 are just example coordinates

如果要对整个网格执行此操作：

datax,datay = np.random.randint(0,100,10),np.random.randint(0,100,10)
    dataz       = datax/datay

    e = Estimation(datax,datay,dataz)

    surf = np.zeros((100,100))
    for i in range(100):
        for j in range(100):
            surf[i,j] = e.estimate(i,j)

例如，您可以使用matplotlib（其中的颜色表示曲面的高度）来获取可以看到的图像：

import matplotlib.pyplot as plt
    plt.imshow(surf.T,origin='lower',interpolation='nearest')
    plt.scatter(datax,datay,c=dataz,s=90)
    plt.show()

这个实验的结果是这样的：

如果你不想使用ISD（平方反比距离），只需在Estimation类上实现一个新的方法。这是你正在寻找的吗？