python interpolate_Python pandas.DataFrame.interpolate函数方法的使用

DataFrame.interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', limit_area=None, downcast=None, **kwargs)[source]

根据不同的方法插值。

请注意，只有method='linear'具有MultiIndex的DataFrame/Series支持。

参数：method ： str，默认为‘linear’

使用插值技术。之一：

‘linear’：忽略索引，并将值等距地对待。

这是MultiIndexes支持的唯一方法。

‘time’: 处理每日和更高分辨率的数据，

以内插给定的时间间隔长度。

‘index’, ‘values’:使用索引的实际数值。

'pad'：使用现有值填写NaN。

‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’,

‘spline’, ‘barycentric’, ‘polynomial’:

传递给 scipy.interpolate.interp1d。

这些方法使用索引的数值。‘polynomial’

和 ‘spline’ 都要求您还指定一个顺序(int)，

例如 ，

df.interpolate(method='polynomial', order=5)

'krogh'，'piecewise_polynomial'，'spline'，'pchip'，'akima'：

环绕类似名称的SciPy插值方法。请参阅注释。

'from_derivatives'：

指 scipy.interpolate.BPoly.from_derivatives，

它替换了scipy 0.18中的'piecewise_polynomial'插值方法。

0.18.1版中的新功能：添加了对 ‘akima’方法的支持。

添加了插值方法‘from_derivatives’ ，

该方法替换了SciPy 0.18中的 ‘piecewise_polynomial’；

向后兼容，SciPy <0.18

axis ： {0或'index'，1或'columns'，None}，默认为None

沿轴进行interpolate。

limit ： 整数，可选

要填充的连续NaN的最大数量。必须大于0。

inplace ： bool，默认为False

尽可能更新数据。

limit_direction ：{'forward'，'backward'，'both'}，

默认为'forward'

如果指定了限制，则将沿该方向填充连续的NaN。

limit_area ： {None, ‘inside’, ‘outside’}, 默认为None

如果指定了限制，则连续的NaN将填充此限制。

None：无填充限制。

‘inside’：仅填充有效值(interpolate)包围的NaN。

‘outside’: 仅在有效值之外(extrapolate)填充NaN。

0.23.0版中的新功能。

downcast ： 可选， ‘infer’ 或None，默认为None

如果可能，请向下转换dtype。

**kwargs

关键字参数传递给插值函数。

返回值：Series 或 DataFrame

返回与调用方相同的对象类型，

并以部分或全部NaN值进行插值。

Notes

‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’ 和‘akima’方法是类似名称的相应SciPy实现的包装。这些使用索引的实际数值。有关其行为的更多信息，请参见 SciPy文档 和SciPy教程。

例子

填充NaN在Series通过线性内插>>> s = pd.Series([0, 1, np.nan, 3])

>>> s

0 0.0

1 1.0

2 NaN

3 3.0

dtype: float64

>>> s.interpolate()

0 0.0

1 1.0

2 2.0

3 3.0

dtype: float64

在填补NaN了一系列的填充，却尽显最多两个连续NaN在同一时间>>> s = pd.Series([np.nan, "single_one", np.nan,

... "fill_two_more", np.nan, np.nan, np.nan,

... 4.71, np.nan])

>>> s

0 NaN

1 single_one

2 NaN

3 fill_two_more

4 NaN

5 NaN

6 NaN

7 4.71

8 NaN

dtype: object

>>> s.interpolate(method='pad', limit=2)

0 NaN

1 single_one

2 single_one

3 fill_two_more

4 fill_two_more

5 fill_two_more

6 NaN

7 4.71

8 4.71

dtype: object

NaN通过多项式插值或样条曲线填充系列：'多项式'和'样条曲线'方法都要求您还指定order(int)>>> s = pd.Series([0, 2, np.nan, 8])

>>> s.interpolate(method='polynomial', order=2)

0 0.000000

1 2.000000

2 4.666667

3 8.000000

dtype: float64

使用线性插值沿每列向前(即向下)填充DataFrame

请注意，如何对列“ a”中的最后一个条目进行不同的插值，因为在其后没有任何条目可用于插值。请注意，如何保留列'b'中的第一个条目NaN，因为在它之前没有条目可用于插值。>>> df = pd.DataFrame([(0.0, np.nan, -1.0, 1.0),

... (np.nan, 2.0, np.nan, np.nan),

... (2.0, 3.0, np.nan, 9.0),

... (np.nan, 4.0, -4.0, 16.0)],

... columns=list('abcd'))

>>> df

a b c d

0 0.0 NaN -1.0 1.0

1 NaN 2.0 NaN NaN

2 2.0 3.0 NaN 9.0

3 NaN 4.0 -4.0 16.0

>>> df.interpolate(method='linear', limit_direction='forward', axis=0)

a b c d

0 0.0 NaN -1.0 1.0

1 1.0 2.0 -2.0 5.0

2 2.0 3.0 -3.0 9.0

3 2.0 4.0 -4.0 16.0

使用多项式插值>>> df['d'].interpolate(method='polynomial', order=2)

0 1.0

1 4.0

2 9.0

3 16.0

Name: d, dtype: float64