dataframe 使用拉格朗日插值填充缺失值

本例中代码使用 jupyter 运行

问题场景：

在处理dataframe时，可能会遇到少量数据缺失的情况，在连续缺失数据较少的情况可以考虑插值填充。

本文调用了scipy库的lagrange(x,y)这个函数，参数x,y分别是对应各个点的x值和y值，函数返回一个对象，即插值函数。lagrange(x,y)的具体描述可参考佐佑思维的博文。

本文就如何定位缺失值，并统一使用拉格朗日插值填充缺失值的原理进行详细说明。

不想看原理的，可以直接跳到“函数封装”

实现原理：

假设数据格式如上，绿色代表非空值，灰色代表nan值。

step 1.数据预处理

将dataframe的缺失值统一用np.nan进行替换

step 2.对于每一列数据

获取缺失值的index

step 3.顺序定位每一个缺失值

对每个缺失值，指定向前和向后分别获取k个数据及其index，并使用这2k个数据，和index值构建拉格朗日插值函数，输入缺失值得index，获得插值结果

step 4.重复循环

【注意】：

向前和向后获取数据时，有如下特殊情况

①向前取k个值，但是 缺失值前的数据数量 < k，此时有多少数据就取多少；
②向后取k个值，这里的取的值要是非空值，碰到空值就跳过；
③向后取k个值，碰到空值就跳过，然后一直跳到数据尾行都没有取够k个，此时也是有多少取多少。

---

函数封装:

def lagrange_value (data, k=2):                 # 输入需处理的数据（空值用nan填充），k是空值前后取得数据个数
    df1 = data.copy(deep=True)
    for col in df1.columns:                     # 取每一列
        col_data = df1[col]
        col_nan = col_data[col_data.isnull()]   # 取每一列缺失值
        col_nan_list = col_nan.index            # 取每一列缺失值的index
        for n in col_nan_list:                  # 对每一列缺失值index进行遍历，定位需要插值的位置
            list1 = list(range(n-k,n))          # 缺失值前取k个值
            if list1[0] < col_data.index[0]:    # 判断缺失值前是否有k个值，没有的话就有多少取多少
                list1 = list(range(col_data.index[0],n)) 
            list2 = col_data[n:]                # 缺失值后取k个非空值
            list2 = list2[list2.notnull()]
            list2 = list(list2[0:k].index)
            y=col_data[list1+list2]             # 取数
            df1[col][n] = lagrange(y.index,list(y))(n)  # 填充缺失值
    return df1

函数要输入：需处理的数据（空值用nan填充），和k —— 空值前后取的数据个数

---

示例:

导入所需的包
简单创建一个dataframe

import pandas as pd
import numpy as np
from scipy.interpolate import lagrange
# 生成数据
NaN = np.nan
data = pd.DataFrame({"SO2":[10, 5, 5, NaN, 9, NaN, NaN, NaN],
                     "NO2":[12, NaN, NaN, 10, 10, 23, 15, 9],
                     "CO2":[15, 23, NaN, 24, 25, NaN, NaN, NaN],
                     "O3":[17, 23, 33, NaN, NaN, NaN, 5, 22]
                    })

---

调用一下函数

lagrange_value (data, k=2)

补充：

需要说明的是，本文编写的代码对数据格式有一定要求，数据预处理阶段需要reset_index，以保证dataframe的索引值顺序且连续。