pandas.core.resample.Resampler.bfill

Resampler.bfill(limit=None)[source]

Заполнение 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, чем исходная частота). Обратное заполнение заменит значения NaN, появившиеся в ресемплированных данных, следующим значением в исходной последовательности. Пропущенные значения, которые существовали в исходных данных, не будут изменены.

Параметры

limit:int, необязательно

Предел количества заполняемых значений.

Возвращает

Series, DataFrame

Ресемплированный Series или DataFrame с заполненными обратным заполнением значениями NaN.

См. также

bfill

Псевдоним backfill.

fillna

Заполнение значений NaN с помощью указанного метода, который может быть ‘backfill’.

nearest

Заполнение значений NaN ближайшим соседом, начиная с центра.

ffill

Заполнение значений NaN прямым заполнением.

Series.fillna

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

DataFrame.fillna

Заполнение пропущенных 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').bfill()
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').bfill(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').bfill()
                       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').bfill(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