pandas.core.resample.Resampler.bfill

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

Заполнение пропущенных значений в ресемплированных данных методом «обратного заполнения».

В статистике импутация — это процесс замены пропущенных данных значениями-заменителем [1]. При ресемплинге данных могут появиться пропущенные значения (например, когда частота ресемплинга выше, чем исходная частота). Заполнение «обратным заполнением» заменит значения NaN, появившиеся в ресемплированных данных, следующим значением в исходной последовательности. Пропущенные значения, которые были в исходных данных, не будут изменены.

Параметры:	limit : integer, optional Предел того, сколько значений заполнить.
Возвращаемое значение:	Series, DataFrame Ресемплированный Series или DataFrame с заполненными значениями NaN методом «обратного заполнения».

См. также

bfill

Псевдоним метода «обратного заполнения».

fillna

Заполнение NaN значений указанным методом, который может быть ‘backfill’.

nearest

Заполнение NaN значений ближайшим соседом, начиная с центра.

pad

Заполнение NaN значений методом «прямого заполнения».

Series.fillna

Заполнение NaN значений в Series указанным методом, который может быть ‘backfill’.

DataFrame.fillna

Заполнение NaN значений в DataFrame указанным методом, который может быть ‘backfill’.

Справочные материалы

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

Примеры

Ресемплинг 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

Ресемплинг 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