pandas.core.resample.Resampler.interpolate

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

Интерполировать значения по разным методам.

Введено в версии 0.18.1.

Обратите внимание, что только method='linear' поддерживается для DataFrame/Series с MultiIndex.

Параметры:

method : str, default ‘linear’ Метод интерполяции. Один из: ‘linear’: Игнорирует индекс и обрабатывает значения как равномерно распределенные. Это единственный метод, поддерживаемый для MultiIndexes. ‘time’: Работает с данными с дневной и более высокой разрешающей способностью, чтобы интерполировать заданную длину интервала. ‘index’, ‘values’: использовать фактические числовые значения индекса. ‘pad’: Заполнить пропуски (NaN) существующими значениями. ‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘spline’, ‘barycentric’, ‘polynomial’: Передаётся в scipy.interpolate.interp1d. Оба ‘polynomial’ и ‘spline’ требуют, чтобы вы также указали order (целое число), например df.interpolate(method='polynomial', order=4). Они используют числовые значения индекса. ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’: Обертки над методами интерполяции SciPy с аналогичными именами. Смотрите Notes. ‘from_derivatives’: Ссылается на scipy.interpolate.BPoly.from_derivatives, который заменяет метод интерполяции ‘piecewise_polynomial’ в scipy 0.18. Обратно совместим со SciPy < 0.18. Введено в версии 0.18.1: Добавлена поддержка метода ‘akima’. Добавлен метод интерполяции ‘from_derivatives’, который заменяет ‘piecewise_polynomial’ в SciPy 0.18; обратно совместим со SciPy < 0.18. axis : {0 or ‘index’, 1 or ‘columns’, None}, default None Ось, по которой выполняется интерполяция. limit : int, optional Максимальное количество последовательных пропусков (NaN) для заполнения. Должно быть больше 0. inplace : bool, default False Обновить данные на месте, если это возможно. limit_direction : {‘forward’, ‘backward’, ‘both’}, default ‘forward’ Если задан предел, последовательные пропуски (NaN) будут заполняться в этом направлении. limit_area : {None, ‘inside’, ‘outside’}, default None Если задан предел, последовательные пропуски (NaN) будут заполняться с этим ограничением. None: Без ограничений заполнения. ‘inside’: Заполнить только пропуски (NaN), окружённые допустимыми значениями (интерполировать). ‘outside’: Заполнить только пропуски (NaN) вне допустимых значений (экстраполировать). Введено в версии 0.21.0. downcast : optional, ‘infer’ or None, defaults to None Сведение типов данных, если это возможно. **kwargs Ключевые аргументы для передачи функции интерполяции.

Возвращает:

Series или DataFrame Возвращает тип объекта, аналогичный вызывающему, интерполированный в некоторых или во всех NaN значениях.

См. также

fillna

Заполнение пропущенных значений разными методами.

scipy.interpolate.Akima1DInterpolator

Кубические сплайны (интерполятор Akima).

scipy.interpolate.BPoly.from_derivatives

Кусочно-полиномиальные в базисе Бернштейна.

scipy.interpolate.interp1d

Интерполяция функции 1-й размерности.

scipy.interpolate.KroghInterpolator

Интерполяция полиномом (интерполятор Krogh).

scipy.interpolate.PchipInterpolator

Монотонная кубическая интерполяция PCHIP 1-й размерности.

scipy.interpolate.CubicSpline

Интерполяция кубическим сплайном.

Примечания

Методы ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’ и ‘akima’ являются обертками над соответствующими реализациями SciPy с аналогичными именами. Они используют фактические числовые значения индекса. Более подробную информацию о их поведении см. в документации SciPy и учебнике SciPy.

Примеры

Заполнение пропусков (NaN) в Series с помощью линейной интерполяции.

>>> 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

Заполнение пропусков (NaN) в Series с помощью метода заполнения значениями вперед (pad), но не более чем двух последовательных NaN за раз.

>>> 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

Заполнение пропусков (NaN) в Series с помощью полиномиальной интерполяции или сплайнов: Для методов ‘polynomial’ и ‘spline’ необходимо также указать order (целое число).

>>> 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

Заполнить DataFrame вперёд (т.е., вниз) по каждой колонке с использованием линейной интерполяции.

Обратите внимание, как последний элемент в колонке ‘a’ интерполируется по-другому, потому что нет элемента после него для использования в интерполяции. Обратите внимание, что первый элемент в колонке ‘b’ остаётся NaN, потому что нет элемента перед ним для использования в интерполяции.

>>> 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

Использование полиномиальной интерполяции.

>>> df['d'].interpolate(method='polynomial', order=2)
0     1.0
1     4.0
2     9.0
3    16.0
Name: d, dtype: float64