pandas.Series.interpolate

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

Заполнение пропущенных значений с использованием метода интерполяции.

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

Parameters:

method:str, по умолчанию ‘linear’

Метод интерполяции. Один из:

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

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

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

• ‘pad’: Заполнение пропусков существующими значениями.

• ‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘barycentric’, ‘polynomial’: Передается в scipy.interpolate.interp1d, в то время как ‘spline’ передается в scipy.interpolate.UnivariateSpline. Эти методы используют числовые значения индекса. Оба метода ‘polynomial’ и ‘spline’ требуют также указать order (целое число), например df.interpolate(method='polynomial', order=5). Обратите внимание, что метод slinear в Pandas относится к сплайну первого порядка spline из Scipy, а не к сплайну первого порядка spline из 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:int, необязательно

Максимальное количество последовательных пропусков, которые нужно заполнить. Должно быть больше 0.

inplace:bool, по умолчанию False

Обновляет данные на месте, если это возможно.

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

Направление заполнения последовательных пропусков.

Если limit задано:

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

• Если ‘method’ — ‘backfill’ или ‘bfill’, ‘limit_direction’ должно быть ‘backward’.

Если ‘limit’ не задано:

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

• в противном случае значение по умолчанию — ‘forward’

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

method равно ‘backfill’ или ‘bfill’.

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

method равно ‘pad’ или ‘ffill’.

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

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

• None: Ограничение на заполнение отсутствует.

• ‘inside’: Заполняются только пропуски, окружённые действительными значениями (интерполяция).

• ‘outside’: Заполняются только пропуски, находящиеся вне действительных значений (экстраполяция).

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

Преобразование типов данных (downcast) по возможности.

Устарело начиная с версии 2.1.0.

``**kwargs``:необязательно

Ключевые аргументы для передачи интерполирующей функции.

Returns:

Series или DataFrame или None

Возвращает тот же тип объекта, что и вызывающий метод, с интерполированными значениями в некоторых или во всех NaN значениях или None, если inplace=True.

См. также

fillna

Заполнение пропущенных значений различными методами.

scipy.interpolate.Akima1DInterpolator

Кубические полиномы с кусочно-непрерывным разбиением (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.

scipy.interpolate.CubicSpline

Интерполятор кубических сплайнов.

Примечания

Методы ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’ и ‘akima’ — обёртки над соответствующими реализациями SciPy с аналогичными именами. Они используют фактические числовые значения индекса. Для получения более подробной информации об их поведении, см. документацию SciPy.

Примеры

Заполнение пропусков 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 пропусков 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

Заполнение DataFrame вперед (то есть, вниз) по каждому столбцу с помощью линейной интерполяции.

Обратите внимание, как последняя запись в столбце ‘a’ интерполируется иначе, потому что после неё нет записи для интерполяции. Обратите внимание, как первая запись в столбце ‘b’ остаётся NaN, потому что перед ней нет записи 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