pandas.Series.interpolate

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

Интерполировать значения по различным методам.

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 ежедневной и более высокой частотой, чтобы интерполировать заданный интервал. ‘index’, ‘values’: использует фактические числовые значения индекса. ‘pad’: Заполняет NaN значениями из существующих. ‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘spline’, ‘barycentric’, ‘polynomial’: Передаётся в scipy.interpolate.interp1d. Оба ‘polynomial’ и ‘spline’ требуют также указать order (целое число), например, df.interpolate(method='polynomial', order=4). Эти методы используют числовые значения индекса. ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’: Обёртки над методами интерполяции SciPy с аналогичными названиями. См. Notes. ‘from_derivatives’: Относится к scipy.interpolate.BPoly.from_derivatives который заменяет метод интерполяции ‘piecewise_polynomial’ в 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; обратная совместимость со SciPy < 0.18 axis : {0 or ‘index’, 1 or ‘columns’, None}, default None Ось для интерполяции. limit : int, optional Максимальное количество последовательных NaN значений 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 limit, последовательные NaN значения будут заполнены в этом направлении. limit_area : {None, ‘inside’, ‘outside’}, default None Если задан limit, последовательные NaN значения будут заполнены с этим ограничением. None: Без ограничений на заполнение. ‘inside’: Заполняются только NaN значения, окружённые действительными значениями (интерполяция). ‘outside’: Заполняются только NaN значения, находящиеся вне действительных значений (экстраполяция). 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 в функцию интерполяции.

Возвращает:

Series или DataFrame Возвращает тот же тип объекта, что и вызывающий объект, интерполированный в некоторых или всех NaN значениях

См. также

fillna

Заполнение пропущенных значений различными методами.

scipy.interpolate.Akima1DInterpolator

Кубические полиномы с кусочно-непрерывными участками (интерполятор Акимы).

scipy.interpolate.BPoly.from_derivatives

Кусочно-полиномиальные функции в базисе Бернштейна.

scipy.interpolate.interp1d

Интерполяция одномерной функции.

scipy.interpolate.KroghInterpolator

Интерполяция полинома (интерполятор Крогха).

scipy.interpolate.PchipInterpolator

Монотонная кубическая интерполяция PCHIP.

scipy.interpolate.CubicSpline

Кубический сплайн интерполятор данных.

Примечания

Методы ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’ и ‘akima’ являются обёртками над соответствующими реализациями SciPy с аналогичными именами. Они используют фактические числовые значения индекса. Более подробную информацию об их поведении можно найти в документации SciPy и туториале SciPy.

Примеры

Заполнение 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 NaN в Series с помощью padding, но заполнение не более 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 NaN в Series с помощью полиномиальной интерполяции или сплайнов: Оба метода ‘polynomial’ и ‘spline’ требуют 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

Заполнение DataFrame вперёд (т.е., вниз) по каждой колонке с помощью линейной интерполяции.

Обратите внимание, как последняя запись в колонке ‘a’ интерполируется иначе, потому что нет записи после неё для использования в интерполяции. Обратите внимание, что первая запись в колонке ‘b’ остаётся NaN, потому что нет записи перед ней 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