pandas.core.resample.Resampler.interpolate

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

Интерполирует значения между целевыми временными отметками в соответствии с различными методами.

Исходный индекс сначала переиндексируется на целевые временные отметки (см. core.resample.Resampler.asfreq()), затем происходит интерполяция NaN значений через DataFrame.interpolate().

Параметры:

method:строка, по умолчанию ‘linear’

Методика интерполяции. Один из:

• ‘linear’: Игнорирует индекс и рассматривает значения как равноотстоящие. Это единственный метод, поддерживаемый в MultiIndexes.

• ‘time’: Работает с данными с суточным и более высоким разрешением для интерполяции заданного интервала.

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

• ‘pad’: Заполняет NaN значения с использованием существующих.

• ‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘barycentric’, ‘polynomial’: Передаётся в scipy.interpolate.interp1d, тогда как ‘spline’ передаётся в scipy.interpolate.UnivariateSpline. Эти методы используют числовые значения индекса. Оба ‘polynomial’ и ‘spline’ требуют, чтобы вы также указали order (целое число), например df.interpolate(method='polynomial', order=5). Обратите внимание, что метод slinear в Pandas относится к spline первого порядка SciPy вместо spline первого порядка Pandas.

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

• ‘from_derivatives’: Ссылается на scipy.interpolate.BPoly.from_derivatives.

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:булево, по умолчанию False

Обновить данные на месте, если это возможно.

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

Последовательные NaN будут заполнены в этом направлении.

Если limit указан:

• Если ‘method’ равен ‘pad’ или ‘ffill’, ‘limit_direction’ должен быть ‘forward’.

• Если ‘method’ равен ‘backfill’ или ‘bfill’, ‘limit_direction’ должен быть ‘backward’.

Если ‘limit’ не указан:

• Если ‘method’ равен ‘backfill’ или ‘bfill’, значение по умолчанию — ‘backward’

• иначе значение по умолчанию — ‘forward’

вызывает ValueError, если limit_direction равен ‘forward’ или ‘both’ и

метод равен ‘backfill’ или ‘bfill’.

вызывает ValueError, если limit_direction равен ‘backward’ или ‘both’ и

метод равен ‘pad’ или ‘ffill’.

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

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

• None: Без ограничений на заполнение.

• ‘inside’: Заполнить только NaN, окружённые допустимыми значениями (интерполяция).

• ‘outside’: Заполнить только NaN, находящиеся вне допустимых значений (экстраполяция).

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

Преобразовать типы данных, если это возможно.

Устаревшее с версии 2.1.0.

``**kwargs``:необязательно

Параметры ключевого слова для передачи в функцию интерполяции.

Возвращает:

DataFrame или Series

Интерполированные значения с указанной частотой.

См. также

core.resample.Resampler.asfreq

Возврат значений с новой частотой, по сути, переиндексация.

DataFrame.interpolate

Заполнение NaN значений с использованием метода интерполяции.

Примечания

Для частотных или неравномерных временных рядов со временными метками переиндексация, за которой следует интерполяция, может привести к потере информации, как показано в последнем примере.

Примеры

>>> start = "2023-03-01T07:00:00"
>>> timesteps = pd.date_range(start, periods=5, freq="s")
>>> series = pd.Series(data=[1, -1, 2, 1, 3], index=timesteps)
>>> series
2023-03-01 07:00:00    1
2023-03-01 07:00:01   -1
2023-03-01 07:00:02    2
2023-03-01 07:00:03    1
2023-03-01 07:00:04    3
Freq: s, dtype: int64

Увеличьте частоту фрейма данных до 0.5 Гц, задав период времени в 2 секунды.

>>> series.resample("2s").interpolate("linear")
2023-03-01 07:00:00    1
2023-03-01 07:00:02    2
2023-03-01 07:00:04    3
Freq: 2s, dtype: int64

Уменьшите частоту фрейма данных до 2 Гц, задав период времени в 500 миллисекунд.

>>> series.resample("500ms").interpolate("linear")
2023-03-01 07:00:00.000    1.0
2023-03-01 07:00:00.500    0.0
2023-03-01 07:00:01.000   -1.0
2023-03-01 07:00:01.500    0.5
2023-03-01 07:00:02.000    2.0
2023-03-01 07:00:02.500    1.5
2023-03-01 07:00:03.000    1.0
2023-03-01 07:00:03.500    2.0
2023-03-01 07:00:04.000    3.0
Freq: 500ms, dtype: float64

Внутренняя переиндексация с asfreq() перед интерполяцией приводит к интерполированному временнному ряду на основе переиндексированных временных отметок (якорей). Поскольку не все точки данных из исходного ряда становятся якорями, это может привести к вводящим в заблуждение результатам интерполяции, как показано в следующем примере:

>>> series.resample("400ms").interpolate("linear")
2023-03-01 07:00:00.000    1.0
2023-03-01 07:00:00.400    1.2
2023-03-01 07:00:00.800    1.4
2023-03-01 07:00:01.200    1.6
2023-03-01 07:00:01.600    1.8
2023-03-01 07:00:02.000    2.0
2023-03-01 07:00:02.400    2.2
2023-03-01 07:00:02.800    2.4
2023-03-01 07:00:03.200    2.6
2023-03-01 07:00:03.600    2.8
2023-03-01 07:00:04.000    3.0
Freq: 400ms, dtype: float64

Обратите внимание, что ряд ошибочно увеличивается между двумя якорями 07:00:00 и 07:00:02.