pandas.core.resample.Resampler.interpolate

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

Интерполировать значения по различным 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 распределённые. Это единственный метод, поддерживаемый для MultiIndexes. ‘time’: Работает с данными с ежедневной и более высокой частотой дискретизации для интерполяции заданной длины интервала. ‘index’, ‘values’: использует фактические числовые значения индекса. ‘pad’: Заполняет пропуски (NaN) с использованием существующих значений. ‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘spline’, ‘barycentric’, ‘polynomial’: Передаётся в scipy.interpolate.interp1d. Эти методы используют числовые значения индекса. Как ‘polynomial’, так и ‘spline’ требуют, чтобы вы также указали order (целое число), например, df.interpolate(method='polynomial', order=5). ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’: Обертки над методами интерполяции SciPy с аналогичными именами. 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’. Добавлена функция интерполяции ‘from_derivatives’, которая 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 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 limit указан, последовательные NaN будут заполнены в этом направлении. limit_area : {None, ‘inside’, ‘outside’}, default None Если limit указан, последовательные NaN будут заполнены с этим ограничением. None: Без ограничения заполнения. ‘inside’: Заполнять NaN только, окруженные допустимыми значениями (интерполяция). ‘outside’: Заполнять NaN только, находящиеся за пределами допустимых значений (экстраполяция). Введено в версии 0.23.0. downcast : optional, ‘infer’ or None, defaults to None Приведение типов (downcast) для возможности. **kwargs Ключевые параметры для передачи в функцию интерполяции.

Возвращает:

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

См. также

fillna

Заполнение пропущенных значений различными методами.

scipy.interpolate.Akima1DInterpolator

Кубические полиномы с кусочно-непрерывной областью (интерполятор Акимы).

scipy.interpolate.BPoly.from_derivatives

Кусочно-полиномиальная функция в базисе Бернштейна.

scipy.interpolate.interp1d

Интерполяция одномерной функции.

scipy.interpolate.KroghInterpolator

Интерполяция полиномом (интерполятор Крога).

scipy.interpolate.PchipInterpolator

Монотонная кубическая интерполяция PCHIP (1D).

scipy.interpolate.CubicSpline

Интерполятор кубическими сплайнами.

Примечания

Методы ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’ и ‘akima’ являются обёртками над соответствующими реализациями SciPy с аналогичными именами. Они используют фактические числовые значения индекса. Для получения дополнительной информации о их поведении, см. документацию SciPy и учебное пособие 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 заполнения по образцу (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: как ‘polynomial’, так и ‘spline’ методы требуют, чтобы вы также указали 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

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

Обратите внимание, как последнее значение в колонке ‘a’ интерполируется по-другому, так как после него нет значений для интерполяции. Обратите внимание, что первое значение в колонке ‘b’ остаётся NaN, так как перед ним нет значений для 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