pandas.Series.interpolate

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

Заполнение пропущенных значений (NaN) с помощью метода интерполяции.

Обратите внимание, что для DataFrame/Series с многоуровневым индексом поддерживается только method='linear'.

Параметры

method:строка, по умолчанию ‘linear’

Метод интерполяции. Один из:

• ‘linear’: Игнорирует индекс и рассматривает значения как равноотстоящие. Это единственный метод, поддерживаемый для многоуровневых индексов.

• ‘time’: Работает с данными с ежедневной и более высокой частотой дискретизации для интерполяции заданной длины интервала.

• ‘index’, ‘values’: использует фактические числовые значения индекса.

• ‘pad’: Заполнение NaN существующими значениями.

• ‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘spline’, ‘barycentric’, ‘polynomial’: Передается в scipy.interpolate.interp1d. Эти методы используют числовые значения индекса. Как ‘polynomial’, так и ‘spline’ требуют также указания order (целое число), например df.interpolate(method='polynomial', order=5).

• ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’, ‘cubicspline’: Обёртки вокруг методов интерполяции SciPy с аналогичными именами. См. Примечания.

• ‘from_derivatives’: Относится к scipy.interpolate.BPoly.from_derivatives, который заменяет метод интерполяции ‘piecewise_polynomial’ в scipy 0.18.

axis:{{0 или ‘index’, 1 или ‘columns’, None}}, по умолчанию None

Ось для интерполяции. Для Series этот параметр не используется и по умолчанию равен 0.

limit:целое число, необязательно

Максимальное количество последовательных NaN для заполнения. Должно быть больше 0.

inplace:bool, по умолчанию False

Обновить данные на месте, если это возможно.

limit_direction:{{‘forward’, ‘backward’, ‘both’}}, необязательно

Последовательные NaN будут заполняться в этом направлении.

Если limit задано:

• Если ‘method’ это ‘pad’ или ‘ffill’, ‘limit_direction’ должно быть ‘forward’.

• Если ‘method’ это ‘backfill’ или ‘bfill’, ‘limit_direction’ должно быть ‘backwards’.

Если ‘limit’ не задано:

• Если ‘method’ это ‘backfill’ или ‘bfill’, по умолчанию ‘backward’

• иначе по умолчанию ‘forward’

Изменено в версии 1.1.0: выдает ValueError, если limit_direction равно ‘forward’ или ‘both’ и метод равен ‘backfill’ или ‘bfill’. выдает ValueError, если limit_direction равно ‘backward’ или ‘both’ и метод равен ‘pad’ или ‘ffill’.

limit_area:{{None, ‘inside’, ‘outside’}}, по умолчанию None

Если limit задано, последовательные NaN будут заполнены с этим ограничением.

• None: Без ограничения заполнения.

• ‘inside’: Заполнить NaN только окруженные действительными значениями (интерполяция).

• ‘outside’: Заполнить NaN только вне действительных значений (экстраполяция).

downcast:необязательно, ‘infer’ или None, по умолчанию None

Приведение типов, если это возможно.

``**kwargs``:необязательно

Ключевые аргументы для передачи в функцию интерполяции.

Возвращает

Series или DataFrame или None

Возвращает объект того же типа, что и вызывающий объект, интерполированный по некоторым или всем NaN значениям или None, если inplace=True.

См. также

fillna

Заполнение пропущенных значений различными методами.

scipy.interpolate.Akima1DInterpolator

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

scipy.interpolate.BPoly.from_derivatives

Кусочно-полиномиальная функция в базисе Бернштейна.

scipy.interpolate.interp1d

Интерполяция одномерной функции.

scipy.interpolate.KroghInterpolator

Интерполяция полинома (интерполятор Крогга).

scipy.interpolate.PchipInterpolator

Монотонная кубическая интерполяция PCHIP.

scipy.interpolate.CubicSpline

Кубический сплайн интерполятор данных.

Примечания

Методы ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’ и ‘akima’ являются обертками над соответствующими реализациями SciPy с похожими именами. Они используют фактические числовые значения индекса. Для получения дополнительной информации об их поведении см. документацию SciPy.

Примеры

Заполнение пропущенных 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 пропущенных NaN в Series методом заполнения, но заполняя 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 пропущенных NaN в Series с помощью полиномиальной интерполяции или сплайнов: Для методов ‘polynomial’ и ‘spline’ также необходимо 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

Заполнить DataFrame вперед (то есть вниз) по каждой колонке с помощью линейной интерполяции.

Обратите внимание, как последняя запись в столбце ‘a’ интерполируется иначе, потому что после нее нет записи, которую можно использовать для интерполяции. Обратите внимание, как первая запись в столбце ‘b’ остается NaN, потому что нет записи перед ней, которую можно использовать 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