插值法补齐缺失数据_填补宏观数据缺失值的两种方法及Python实现

最新推荐文章于 2025-03-12 12:51:25 发布

任立龙

最新推荐文章于 2025-03-12 12:51:25 发布

阅读量5.2k

点赞数 3

文章标签：插值法补齐缺失数据

本文链接：https://blog.csdn.net/weixin_42548893/article/details/112560202

版权

本文探讨了处理宏观经济数据缺失值的两种方法：插值法（线性、二阶和三阶样条）和回归法。通过Python实现，以固定资产投资价格指数为例，展示如何应用这些方法。插值法能较好地填补数据，但对样本外数据效果不佳；回归法利用高频变量（如PPI）进行插补，虽能捕捉趋势但可能与原始数据存在偏离。对于样本外插值，建议结合两种方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在处理宏观经济数据时，经常会遇到缺失值问题。在本文中，我们以固定资产投资价格指数为例，讨论填补缺失值的两种方法，及其Python实现。

通过简单分析原始数据，可以看到，固定资产投资价格指数，在1998年6月至2002年12月，是每半年发布一次。自2003年初至2019年12月，是每季度发布一次。我们希望获得月度的固定资产投资价格指数，从而对月度的固定资产投资数据进行价格折现。

一、插值法—scipy包的interpolate模块

scipy包的interpolate模块，可以使用线性或者二阶和三阶的样条曲线，对缺失值进行插补。插补分成两个步骤：

基于有取值的样本，拟合插补函数
将插补函数，应用于所有样本点

Python代码如下：

from scipy.interpolate import interp1d # 提取有取值的样本 _FAIPriceIndex = FAIPriceIndex.reset_index() x = np.array(_FAIPriceIndex[_FAIPriceIndex['M0012976'].notnull()].index) y = np.array(_FAIPriceIndex[_FAIPriceIndex['M0012976'].notnull()]['M0012976']) xnew = np.array(_FAIPriceIndex.index) # 拟合插值函数 f1 = interp1d(x,y) f2 = interp1d(x, y, kind='quadratic') f3 = interp1d(x, y, kind='cubic') # 对全序列插补 _FAIPriceIndex = pd.DataFrame([f1(x

最低0.47元/天解锁文章