pandas.core.resample.Resampler.interpolate

final Resampler.interpolate(method='linear', *, axis=0, limit=None, inplace=False, limit_direction='forward', limit_area=None, downcast=_NoDefault.no_default, **kwargs)

根据不同的方法插值目标时间戳之间的值。

原始索引首先被重新索引到目标时间戳（参见 core.resample.Resampler.asfreq() ），然后通过 DataFrame.interpolate() 对 NaN 值进行插值。

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:

DataFrame 或 Series

在指定频率下的插值。

参见

core.resample.Resampler.asfreq

返回新频率下的值，本质上是重新索引。

DataFrame.interpolate

使用插值方法填充NaN值。

Notes

对于高频或非等距的时间序列，时间戳的重新索引后插值可能会导致信息丢失，如下例所示。

Examples

>>> 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

通过提供 2 秒的周期时间将 DataFrame 上采样到 0.5Hz。

>>> 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

通过提供 500 毫秒的周期时间将 DataFrame 下采样到 2Hz。

>>> 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

在插值之前使用 asfreq() 进行内部重新索引会导致基于重新索引的时间戳（锚点）的插值时间序列。由于并非原始序列中的所有数据点都成为锚点，这可能导致误导性的插值结果，如下例所示：

>>> 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

请注意，该序列在两个锚点 07:00:00 和 07:00:02 之间错误地增加。