pandas.DataFrame.interpolate#
- DataFrame.interpolate(method='linear', *, axis=0, limit=None, inplace=False, limit_direction=None, limit_area=None, downcast=_NoDefault.no_default, **kwargs)[源代码]#
使用插值方法填充NaN值。
请注意，对于具有 MultiIndex 的 DataFrame/Series，只支持
method='linear'。- Parameters:
- <strong>method</strong>str, default ‘linear’
插值技术。可选值：
‘linear’：忽略索引，将值视为等间距。这是 MultiIndexes 上唯一支持的方法。
‘time’：适用于每日及更高分辨率的数据，用于在给定间隔长度内进行插值。
‘index’, ‘values’：使用索引的实际数值。
‘pad’：使用现有值填充 NaN。
‘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’ 方法都需要指定一个 order`（int），例如 ``df.interpolate(method=’polynomial’, order=5)`。请注意，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’：围绕同名的 SciPy 插值方法进行的包装。参见“注释”。
‘from_derivatives’：指 scipy.interpolate.BPoly.from_derivatives。
- axis{{0 或 ‘index’，1 或 ‘columns’，None}}，默认 None
沿哪个轴进行插值。对于 Series，此参数未使用，默认为 0。
- <strong>limit</strong>int, optional
要填充的连续 NaN 的最大数量。必须大于 0。
- inplacebool，默认 False
如果可能，就地更新数据。
- limit_direction{{‘forward’, ‘backward’, ‘both’}}, Optional
沿此方向填充连续 NaN。
- 如果指定了 limit：
如果 ‘method’ 是 ‘pad’ 或 ‘ffill’，则 ‘limit_direction’ 必须是 ‘forward’。
如果 ‘method’ 是 ‘backfill’ 或 ‘bfill’，则 ‘limit_direction’ 必须是 ‘backwards’。
- 如果未指定 ‘limit’：
如果 ‘method’ 是 ‘backfill’ 或 ‘bfill’，则默认为 ‘backward’。
否则默认为 ‘forward’。
- 如果 limit_direction 为 ‘forward’ 或 ‘both’ 且
method 为 ‘backfill’ 或 ‘bfill’，则引发 ValueError。
- 如果 limit_direction 为 ‘backward’ 或 ‘both’ 且
method 为 ‘pad’ 或 ‘ffill’，则引发 ValueError。
- limit_area{{None, ‘inside’, ‘outside’}}, default None
如果指定了 limit，连续的 NaNs 将根据此限制进行填充。
None：无填充限制。‘inside’：仅填充被有效值包围的 NaN（插值）。
‘outside’：仅填充有效值之外的 NaN（外插）。
- downcastoptional, ‘infer’ or None, defaults to None
如果可能，向下转换数据类型。
自 2.1.0 版本弃用.
- ``**kwargs``optional
要传递给插值函数的关键字参数。
- Returns:
- Series 或 DataFrame 或 None
返回与调用者相同的对象类型，在部分或全部
NaN值处进行插值，如果inplace=True则返回 None。
参见
fillna使用不同方法填充缺失值。
scipy.interpolate.Akima1DInterpolator分段三次多项式（Akima 插值器）。
scipy.interpolate.BPoly.from_derivatives伯恩斯坦基中的分段多项式。
scipy.interpolate.interp1d插值一维函数。
scipy.interpolate.KroghInterpolator插值多项式（Krogh 插值器）。
scipy.interpolate.PchipInterpolatorPCHIP 一维单调三次插值。
scipy.interpolate.CubicSpline三次样条数据插值器。
Notes
‘krogh’、’piecewise_polynomial’、’spline’、’pchip’ 和 ‘akima’ 方法是对相应 SciPy 实现的同名方法的包装。这些方法使用索引的实际数值。有关其行为的更多信息，请参阅 SciPy documentation 。
Examples
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填充 Series 中的
NaN：’polynomial’ 和 ‘spline’ 方法都需要指定一个 ``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
通过线性插值沿每列向下填充 DataFrame。
注意最后一列“a”的条目是如何以不同的方式插值的，因为它后面没有条目可用于插值。注意第一列“b”的条目仍然是“NaN”，因为它前面没有条目可用于插值。
>>> 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