pandas.core.resample.Resampler.interpolate#

окончательный Resampler.интерполировать(method='linear', *, axis=0, limit=None, inplace=False, limit_direction='forward', limit_area=None, downcast=, **kwargs)[источник]#

Интерполировать значения между целевыми временными метками в соответствии с различными методами.

Исходный индекс сначала переиндексируется до целевых меток времени (см. core.resample.Resampler.asfreq()), тогда интерполяция NaN значения через DataFrame.interpolate() происходит.

Параметры:
методstr, по умолчанию 'linear'

Метод интерполяции для использования. Один из:

  • ‘linear’: Игнорировать индекс и рассматривать значения как равноудаленные. Это единственный метод, поддерживаемый для MultiIndexes.

  • 'time': Работает с данными дневного и более высокого разрешения для интерполяции заданной длины интервала.

  • 'index', 'values': использовать фактические числовые значения индекса.

  • 'pad': Заполнить NaN существующими значениями.

  • 'nearest', 'zero', 'slinear', 'quadratic', 'cubic', 'barycentric', 'polynomial': Передаётся в scipy.interpolate.interp1d, тогда как 'spline' передается в scipy.interpolate.UnivariateSpline. Эти методы используют численные значения индекса. И 'polynomial', и 'spline' требуют, чтобы вы также указали порядок (int), например. df.interpolate(method='polynomial', order=5). Обратите внимание, что slinear метод в Pandas относится к Scipy первого порядка сплайн вместо порядка первого порядка Pandas сплайн.

  • ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’, ‘cubicspline’: Обёртки вокруг методов интерполяции SciPy с аналогичными названиями. См. Примечания.

  • ‘from_derivatives’: Относится к scipy.interpolate.BPoly.from_derivatives.

ось{{0 или ‘index’, 1 или ‘columns’, None}}, по умолчанию None

Ось для интерполяции. Для Series этот параметр не используется и по умолчанию равен 0.

limitint, необязательный

Максимальное количество последовательных NaN для заполнения. Должно быть больше 0.

inplacebool, по умолчанию False

Обновите данные на месте, если возможно.

limit_direction{{‘forward’, ‘backward’, ‘both’}}, Optional

Последовательные значения NaN будут заполнены в этом направлении.

Если указан limit:

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

  • Если 'method' равен 'backfill' или 'bfill', 'limit_direction' должен быть 'backwards'.

Если 'limit' не указан:

  • Если 'method' равен 'backfill' или 'bfill', по умолчанию используется 'backward'

  • иначе по умолчанию 'forward'

вызывает ValueError, если limit_direction равно 'forward' или 'both' и

метод - 'backfill' или 'bfill'.

вызывает ValueError, если limit_direction является 'backward' или 'both' и

метод 'pad' или 'ffill'.

limit_area{{None, 'inside', 'outside'}}, по умолчанию None

Если указан limit, последовательные значения NaN будут заполнены с этим ограничением.

  • None: Нет ограничений на заполнение.

  • ‘inside’: Заполнять только NaN, окруженные допустимыми значениями (интерполяция).

  • ‘outside’: Заполнять только NaN за пределами допустимых значений (экстраполяция).

downcastнеобязательно, 'infer' или None, по умолчанию None

Понизить типы данных, если возможно.

Устарело с версии 2.1.0.

``**kwargs``необязательный

Аргументы ключевых слов для передачи интерполирующей функции.

Возвращает:
DataFrame или Series

Интерполированные значения с указанной частотой.

Смотрите также

core.resample.Resampler.asfreq

Возвращает значения с новой частотой, по сути, переиндексация.

DataFrame.interpolate

Заполнить значения NaN с помощью метода интерполяции.

Примечания

Для высокочастотных или неравномерных временных рядов с метками времени переиндексация с последующей интерполяцией может привести к потере информации, как показано в последнем примере.

Примеры

>>> 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

Повысить частоту дискретизации фрейма данных до 0.5 Гц, указав период времени 2 с.

>>> 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

Понижение частоты дискретизации фрейма данных до 2 Гц путем указания периода времени 500 мс.

>>> 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

Внутреннее переиндексирование с asfreq() перед интерполяцией приводит к интерполированному временному ряду на основе переиндексированных меток времени (якорей). Поскольку не все точки данных из исходного ряда становятся якорями, это может привести к вводящим в заблуждение результатам интерполяции, как в следующем примере:

>>> 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

Обратите внимание, что серия ошибочно увеличивается между двумя якорями 07:00:00 и 07:00:02.