Pandas DataFrame DataFrame.interpolate()函式
Suraj Joshi
2023年1月30日
2020年11月7日
-
pandas.DataFrame.interpolate()語法 -
示例程式碼：用
DataFrame.interpolate()方法對DataFrame中所有NaN值進行內插 -
示例程式碼：
DataFrame.interpolate()方法用method引數 -
示例程式碼：Pandas
DataFrame.interpolate()方法使用axis引數沿row軸進行插值 -
示例程式碼：
DataFrame.interpolate()方法帶limit引數 -
示例程式碼：
DataFrame.interpolate()方法帶limit_direction引數的方法 -
用
DataFrame.interpolate()方法對時間序列資料進行內插
Python Pandas DataFrame.interpolate() 函式使用插值技術在 DataFrame 中填充 NaN 值。
pandas.DataFrame.interpolate() 語法
DataFrame.interpolate(method='linear',
axis=0,
limit=None,
inplace=False,
limit_direction='forward',
limit_area=None,
downcast=None,
**kwargs)
引數
method |
linear, time, index, values, nearest, zero, slinear, quadratic, cubic, barycentric, krogh, polynomial, spline, piecewise_polynomial, from_derivatives, pchip, akima 或 None。用於插值 NaN 的方法。 |
axis |
沿行(axis=0)或列(axis=1)插補缺失的數值 |
limit |
要內插的最大連續 NaN 數 |
inplace |
布林型。如果 True，就地修改呼叫方 DataFrame。 |
limit_direction |
forward, backward 或 both。當指定 limit 時，將沿 NaNs 的 Direction 進行插值。 |
limit_area |
None, inside 或 outside。當指定 limit 時，對插值的限制。 |
downcast |
字典。指定向下轉換資料型別 |
**kwargs |
插值函式的關鍵字 |
返回值
如果 inplace 為 True，則使用給定的 method 對所有 NaN 值進行內插的 DataFrame；否則為 None。
示例程式碼：用 DataFrame.interpolate() 方法對 DataFrame 中所有 NaN 值進行內插
import pandas as pd
df = pd.DataFrame({'X': [1, 2, 3, None, 3],
'Y': [4, None, 8, None, 3]})
print("DataFrame:")
print(df)
filled_df = df.interpolate()
print("Interploated DataFrame:")
print(filled_df)
輸出：
DataFrame:
X Y
0 1.0 4.0
1 2.0 NaN
2 3.0 8.0
3 NaN NaN
4 3.0 3.0
Interploated DataFrame:
X Y
0 1.0 4.0
1 2.0 6.0
2 3.0 8.0
3 3.0 5.5
4 3.0 3.0
它使用 linear 插值方法對 DataFrame 中的所有 NaN 值進行內插。
該方法與 pandas.DataFrame.fillna() 相比更加智慧，後者使用一個固定的值來替換 DataFrame. 中的所有 NaN 值。
示例程式碼：DataFrame.interpolate() 方法用 method 引數
我們也可以在 DataFrame.interpolate() 函式中設定 method 引數值，用不同的插值技術對 DataFrame 中的 NaN 值進行插值。
import pandas as pd
df = pd.DataFrame({'X': [1, 2, 3, None, 3],
'Y': [4, None, 8, None, 3]})
print("DataFrame:")
print(df)
filled_df = df.interpolate(method='polynomial', order=2)
print("Interploated DataFrame:")
print(filled_df)
輸出：
DataFrame:
X Y
0 1.0 4.0
1 2.0 NaN
2 3.0 8.0
3 NaN NaN
4 3.0 3.0
Interploated DataFrame:
X Y
0 1.000000 4.000
1 2.000000 7.125
2 3.000000 8.000
3 3.368421 6.625
4 3.000000 3.000
該方法使用二階多項式插值方法對 DataFrame 中的所有 NaN 值進行插值。
這裡，order=2 是 polynomial 函式的關鍵字引數。
示例程式碼：Pandas DataFrame.interpolate() 方法使用 axis 引數沿 row 軸進行插值
import pandas as pd
df = pd.DataFrame({'X': [1, 2, 3, None, 3],
'Y': [4, None, 8, None, 3]})
print("DataFrame:")
print(df)
filled_df = df.interpolate(axis=1)
print("Interploated DataFrame:")
print(filled_df)
輸出：
DataFrame:
X Y
0 1.0 4.0
1 2.0 NaN
2 3.0 8.0
3 NaN NaN
4 3.0 3.0
Interploated DataFrame:
X Y
0 1.0 4.0
1 2.0 2.0
2 3.0 8.0
3 NaN NaN
4 3.0 3.0
這裡，我們設定 axis=1，以沿行軸插值 NaN 值。在第 2 行，NaN 值被沿第 2 行線性內插替換。
但是，在第 4 行中，由於第 4 行中的兩個值都是 NaN，所以即使在內插後，NaN 值仍然存在。
示例程式碼：DataFrame.interpolate() 方法帶 limit 引數
DataFrame.interpolate() 方法中的 limit 引數限制了該方法所要填充的連續 NaN 值的最大數量。
import pandas as pd
df = pd.DataFrame({'X': [1, 2, 3, None, 3],
'Y': [4, None, None, None, 3]})
print("DataFrame:")
print(df)
filled_df = df.interpolate( limit = 1)
print("Interploated DataFrame:")
print(filled_df)
輸出：
DataFrame:
X Y
0 1.0 4.0
1 2.0 NaN
2 3.0 NaN
3 NaN NaN
4 3.0 3.0
Interploated DataFrame:
X Y
0 1.0 4.00
1 2.0 3.75
2 3.0 NaN
3 3.0 NaN
4 3.0 3.00
在這裡，當一列中的一個 NaN 值從上到下被填滿後，同一列中下一個連續的 NaN 值將保持不變。
示例程式碼：DataFrame.interpolate() 方法帶 limit_direction 引數的方法
DataFrame.interpolate() 方法中的 limit-direction 引數控制沿著特定軸的方向，在這個方向上進行數值插值。
import pandas as pd
df = pd.DataFrame({'X': [1, 2, 3, None, 3],
'Y': [4, None, None, None, 3]})
print("DataFrame:")
print(df)
filled_df = df.interpolate(limit_direction ='backward', limit = 1)
print("Interploated DataFrame:")
print(filled_df)
輸出：
DataFrame:
X Y
0 1.0 4.0
1 2.0 NaN
2 3.0 NaN
3 NaN NaN
4 3.0 3.0
Interploated DataFrame:
X Y
0 1.0 4.00
1 2.0 NaN
2 3.0 NaN
3 3.0 3.25
4 3.0 3.00
在這裡，當一列中的 NaN 從底部填入後，同一列中下一個連續的 NaN 值將保持不變。
用 DataFrame.interpolate() 方法對時間序列資料進行內插
import pandas as pd
dates=['April-10', 'April-11', 'April-12', 'April-13']
fruits=['Apple', 'Papaya', 'Banana', 'Mango']
prices=[3, None, 2, 4]
df = pd.DataFrame({'Date':dates ,
'Fruit':fruits ,
'Price': prices})
print(df)
df.interpolate(inplace=True)
print("Interploated DataFrame:")
print(df)
輸出：
Date Fruit Price
0 April-10 Apple 3.0
1 April-11 Papaya NaN
2 April-12 Banana 2.0
3 April-13 Mango 4.0
Interploated DataFrame:
Date Fruit Price
0 April-10 Apple 3.0
1 April-11 Papaya 2.5
2 April-12 Banana 2.0
3 April-13 Mango 4.0
由於 inplace=True，在呼叫 interpolate() 函式後，原 DataFrame 被修改。
Author: Suraj Joshi
Suraj Joshi is a backend software engineer at Matrice.ai.
LinkedIn