pandas.core.resample.Resampler.backfill

Resampler.backfill(self, limit=None) [source]

Заполнение новых пропущенных значений в ресемплированных данных обратным заполнением.

В статистике импутация — это процесс замены пропущенных данных замещающими значениями [1]. При ресемплировании данных могут появиться пропущенные значения (например, когда частота ресемплирования выше исходной частоты). Обратное заполнение заменит значения NaN, появившиеся в ресемплированных данных, следующим значением в исходной последовательности. Пропущенные значения, существовавшие в исходных данных, не будут изменены.

Параметры:	limit : integer, optional Предел, до скольких значений производить заполнение.
Возвращаемое значение:	Series, DataFrame Ресемплированный Series или DataFrame с заполненными обратным заполнением значениями NaN.

См. также

bfill

Псевдоним для backfill.

fillna

Заполнить значения NaN с использованием указанного метода, который может быть ‘backfill’.

nearest

Заполнение значений NaN ближайшим соседом, начиная с центра.

pad

Заполнение значений NaN прямым заполнением.

Series.fillna

Заполнение NaN значений в Series с использованием указанного метода, который может быть ‘backfill’.

DataFrame.fillna

Заполнение NaN значений в DataFrame с использованием указанного метода, который может быть ‘backfill’.

Ссылки

[1]	https://en.wikipedia.org/wiki/Imputation_(statistics)

Примеры

Ресемплирование Series:

>>> s = pd.Series([1, 2, 3],
...               index=pd.date_range('20180101', periods=3, freq='h'))
>>> s
2018-01-01 00:00:00    1
2018-01-01 01:00:00    2
2018-01-01 02:00:00    3
Freq: H, dtype: int64

>>> s.resample('30min').backfill()
2018-01-01 00:00:00    1
2018-01-01 00:30:00    2
2018-01-01 01:00:00    2
2018-01-01 01:30:00    3
2018-01-01 02:00:00    3
Freq: 30T, dtype: int64

>>> s.resample('15min').backfill(limit=2)
2018-01-01 00:00:00    1.0
2018-01-01 00:15:00    NaN
2018-01-01 00:30:00    2.0
2018-01-01 00:45:00    2.0
2018-01-01 01:00:00    2.0
2018-01-01 01:15:00    NaN
2018-01-01 01:30:00    3.0
2018-01-01 01:45:00    3.0
2018-01-01 02:00:00    3.0
Freq: 15T, dtype: float64

Ресемплирование DataFrame с пропущенными значениями:

>>> df = pd.DataFrame({'a': [2, np.nan, 6], 'b': [1, 3, 5]},
...                   index=pd.date_range('20180101', periods=3,
...                                       freq='h'))
>>> df
                       a  b
2018-01-01 00:00:00  2.0  1
2018-01-01 01:00:00  NaN  3
2018-01-01 02:00:00  6.0  5

>>> df.resample('30min').backfill()
                       a  b
2018-01-01 00:00:00  2.0  1
2018-01-01 00:30:00  NaN  3
2018-01-01 01:00:00  NaN  3
2018-01-01 01:30:00  6.0  5
2018-01-01 02:00:00  6.0  5

>>> df.resample('15min').backfill(limit=2)
                       a    b
2018-01-01 00:00:00  2.0  1.0
2018-01-01 00:15:00  NaN  NaN
2018-01-01 00:30:00  NaN  3.0
2018-01-01 00:45:00  NaN  3.0
2018-01-01 01:00:00  NaN  3.0
2018-01-01 01:15:00  NaN  NaN
2018-01-01 01:30:00  6.0  5.0
2018-01-01 01:45:00  6.0  5.0
2018-01-01 02:00:00  6.0  5.0