pandas.DataFrame.interpolate#

DataFrame.interpolate(method='linear', *, axis=0, limit=None, inplace=False, limit_direction=None, limit_area=None, **kwargs)[源代码]#

使用插值方法填充NaN值。

请注意，仅支持 method='linear' 用于具有 MultiIndex 的 DataFrame/Series。

参数:

方法str, 默认 ‘linear’

要使用的插值技术。以下之一：

‘linear’: 忽略索引并将值视为等间距。这是唯一在 MultiIndexes 上支持的方法。
‘time’: 适用于每日及更高分辨率的数据，以插值给定的间隔长度。
‘index’, ‘values’: 使用索引的实际数值。
‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘barycentric’, ‘polynomial’: 传递给 scipy.interpolate.interp1d，而 ‘spline’ 传递给 scipy.interpolate.UnivariateSpline。这些方法使用索引的数值。’polynomial’ 和 ‘spline’ 需要你同时指定一个 order`（整数），例如 ``df.interpolate(method=’polynomial’, order=5)`。注意，Pandas 中的 slinear 方法指的是 Scipy 的一阶 spline 而不是 Pandas 的一阶 spline。
‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’, ‘cubicspline’: 围绕类似名称的 SciPy 插值方法的包装器。请参见 Notes。
‘from_derivatives’: 指的是 scipy.interpolate.BPoly.from_derivatives。

轴{{0 或 ‘index’, 1 或 ‘columns’, None}}, 默认 None

要插值的轴。对于 Series，此参数未使用并默认为 0。

限制int, 可选

要填充的连续 NaN 的最大数量。必须大于 0。

inplace布尔值, 默认为 False

如果可能，请就地更新数据。

limit_direction{{‘forward’, ‘backward’, ‘both’}}, 可选, 默认 ‘forward’

连续的 NaNs 将在此方向上填充。

limit_area : {{None, ‘inside’, ‘outside’}}, 默认 None{{None, ‘inside’, ‘outside’}}, default None

如果指定了限制，连续的 NaN 将被此限制填充。

None: 没有填充限制。
‘inside’: 仅填充被有效值包围的NaN（插值）。
‘outside’: 仅在有效值之外填充NaN（外推）。

**kwargs可选的

传递给插值函数的关键字参数。

返回:

系列或数据帧或无: 返回与调用者相同类型的对象，在某些或所有 NaN 值处进行插值，如果 inplace=True 则返回 None。

参见

fillna: 使用不同的方法填充缺失值。
scipy.interpolate.Akima1DInterpolator: 分段三次多项式（Akima 插值器）。
scipy.interpolate.BPoly.from_derivatives: 在Bernstein基中的分段多项式。
scipy.interpolate.interp1d: 插值一个一维函数。
scipy.interpolate.KroghInterpolator: 插值多项式（Krogh 插值器）。
scipy.interpolate.PchipInterpolator: PCHIP 1-维单调三次插值。
scipy.interpolate.CubicSpline: 三次样条数据插值器。

备注

‘krogh’、‘piecewise_polynomial’、‘spline’、‘pchip’ 和 ‘akima’ 方法是对 SciPy 中类似名称实现的封装。这些方法使用索引的实际数值。有关它们行为的更多信息，请参阅 SciPy 文档。

例子

通过线性插值填充 Series 中的 NaN。

>>> 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

通过多项式插值或样条插值填充 Series 中的 NaN：’polynomial’ 和 ‘spline’ 方法都需要你指定一个 ``order``（int）。

>>> 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

使用线性插值沿每列向前填充（即向下）DataFrame。

注意列 ‘a’ 中的最后一个条目是如何以不同的方式插值的，因为没有后续条目可供插值使用。注意列 ‘b’ 中的第一个条目仍然是 NaN，因为没有前一个条目可供插值使用。

>>> 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

使用多项式插值。

>>> df["d"].interpolate(method="polynomial", order=2)
0     1.0
1     4.0
2     9.0
3    16.0
Name: d, dtype: float64