df = DataFrame.interpolate(method='linear', *, axis=0, limit=None, inplace=False, limit_direction=None, limit_area=None, downcast=None, **kwargs) s = Series.interpolate(method='linear', *, limit=None, inplace=False, limit_direction=None, limit_area=None, downcast=None, **kwargs)
method='linear' - используемый метод интерполяции.
Принимает следующие строки:
'linear': игнорирует индекс и рассматривает значения как равномерно распределенные. Это единственный метод, поддерживаемый в MultiIndex.'time': работает с дневными данными и данными с более высоким разрешением для интерполяции заданной длины интервала.'index', 'values': использует фактические числовые значения индекса.'pad': заполняет NaN, используя существующие значения.'nearest', 'zero', 'slinear', 'quadratic', 'cubic', 'barycentric', 'polynomial': передается в scipy.interpolate.interp1d, а 'spline' передается в scipy.interpolate.UnivariateSpline.
Эти методы используют числовые значения индекса. Как 'polynomial', так и 'spline' требуют, чтобы был указан порядок order (принимает значение int - через **kwargs передается в SciPy), например, df.interpolate(method='polynomial', order=5). Обратите внимание, что линейный метод в pandas относится к сплайну первого порядка SciPy, а не к сплайну первого порядка pandas.
'krogh', 'piecewise_polynomial', 'spline', 'pchip', 'akima', 'cubicspline': представляют собой обёртки вокруг методов интерполяции SciPy с похожими именами.
'from_derivatives': Относится к scipy.interpolate.BPoly.from_derivatives.
axis=0 - ось для интерполяции. Для Series этот параметр не используется и по умолчанию равен 0.
limit=None - максимальное количество последовательных NaN для заполнения. Должно быть больше 0.
inplace=False - по возможности обновляет данные на месте.
limit_direction=None - последовательные NaN будут заполнены в этом направлении. Принимает следующие строки: 'forward', 'backward', 'both'
limit:method имеет значение 'pad' или 'ffill', то аргумент limit_direction должен быть 'forward'.method имеет значение 'backfill' или 'bfill', то аргумент `limit_direction' должен быть 'backwards'.limit НЕ указан:method имеет значение 'backfill' или 'bfill', то по умолчанию используется limit_direction='backward'ValueError, если:limit_direction является 'forward' или 'both', а аргумент method имеет значение 'backfill' или 'bfill'.limit_direction является 'backward' или 'both', а аргумент method имеет значение 'pad' или 'ffill'.limit_area=None - если указан аргумент limit, то последовательные NaN будут заполнены с этим ограничением.
None: без ограничений по заполнению.'inside': заполнять только NaN, окруженные допустимыми значениями (интерполировать).'outside': заполнять только NaN за пределами допустимых значений (экстраполировать).downcast=None - по возможности понижает разрядность dtype. Принимает значения: 'infer' или None.
**kwargs - ключевые аргументы для передачи функции интерполяций.
NaN или None, если inplace=True..interpolate():Методы DataFrame.interpolate() и Series.interpolate() модуля pandas заполняют значения NaN соответствующего объекта методом интерполяции.
Обратите внимание, что для DataFrame/Series с MultiIndex поддерживается только метод method='linear'.
Методы
'krogh','piecewise_polynomial','spline','pchip'и'akima'являются обертками для соответствующих реализаций библиотекиSciPyс аналогичными именами. Они используют фактические числовые значения индекса.Для интерполяции методами, которые используют библиотеку
SciPy- ее необходимо установить:# активируем виртуальное окружение $ source .venv/bin/activate # ставим модуль `scipy` (VirtualEnv):~$ python3 -m pip install -U scipy
Series.interpolate()Заполнение NaN в Series с помощью линейной интерполяции.
>>> import pandas as pd >>> import numpy as np >>> 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 полиномиальной интерполяции или сплайнов: Методы 'polynomial' и 'spline' требуют, чтобы был указан порядок order (принимает значение int - через **kwargs передается в SciPy).
>>> 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
DataFrame.interpolate()Заполним DataFrame вперед (т. е. вниз) вдоль каждого столбца с помощью линейной интерполяции.
Обратите внимание, что последняя запись в столбце 'a' интерполируется по-разному, потому что после нее нет записи, которую можно было бы использовать для интерполяции. Обратите внимание, что первая запись в столбце 'b' остается NaN, потому что перед ней нет записи, которую можно было бы использовать для интерполяции.
>>> import pandas as pd >>> import numpy as np 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 для заполнения NaN в DataFrame.
>>> df['d'].interpolate(method='polynomial', order=2) # 0 1.0 # 1 4.0 # 2 9.0 # 3 16.0 # Name: d, dtype: float64
Использование других методов интерполяции:
>>> df['d'].interpolate(method='krogh') # 0 1.0 # 1 4.0 # 2 9.0 # 3 16.0 # Name: d, dtype: float64 >>> df['d'].interpolate(method='akima') # 0 1.00 # 1 4.25 # 2 9.00 # 3 16.00 # Name: d, dtype: float64 >>> df['d'].interpolate(method='pchip') # 0 1.0000 # 1 4.1875 # 2 9.0000 # 3 16.0000 # Name: d, dtype: float64 >>> df['d'].interpolate(method='spline', order=2) # 0 1.0 # 1 4.0 # 2 9.0 # 3 16.0 # Name: d, dtype: float64 >>> df['d'].interpolate(method='quadratic') # 0 1.0 # 1 4.0 # 2 9.0 # 3 16.0 # Name: d, dtype: float64 >>> df['d'].interpolate(method='slinear') # 0 1.0 # 1 5.0 # 2 9.0 # 3 16.0 # Name: d, dtype: float64 >>> df['d'].interpolate(method='zero') # 0 1.0 # 1 1.0 # 2 9.0 # 3 16.0 # Name: d, dtype: float64 >>> df['d'].interpolate(method='nearest') # 0 1.0 # 1 1.0 # 2 9.0 # 3 16.0 # Name: d, dtype: float64 >>> df['d'].interpolate(method='barycentric') # 0 1.0 # 1 4.0 # 2 9.0 # 3 16.0 # Name: d, dtype: float64