DataFrame.interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', limit_area=None, downcast=None, **kwargs) [source]
根据不同的方法插值。
请注意，只有method='linear'具有MultiIndex的DataFrame/Series支持。
参数： | method ： 使用插值技术。之一： ‘linear’：忽略索引，并将值等距地对待。 这是MultiIndexes支持的唯一方法。 ‘time’: 处理每日和更高分辨率的数据， 以内插给定的时间间隔长度。 ‘index’, ‘values’: 使用索引的实际数值。 'pad'：使用现有值填写NaN。 ‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘spline’, ‘barycentric’, ‘polynomial’: 传递给 这些方法使用索引的数值。 和 例如 ，
'krogh'，'piecewise_polynomial'，'spline'， 'pchip'，'akima'： 环绕类似名称的SciPy插值方法。请参阅注释。 'from_derivatives'： 指 它替换了scipy 0.18中的 插值方法。 0.18.1版中的新功能：添加了对 添加了插值方法 该方法替换了SciPy 0.18中的 向后兼容， axis ： { 默认为 沿轴进行interpolate。 limit ： 整数，可选 要填充的连续NaN的最大数量。必须大于 inplace ： 尽可能更新数据。 limit_direction ： 默认为 如果指定了限制，则将沿该方向填充连续的NaN。 limit_area ： { 默认为 如果指定了限制，则连续的
0.23.0版中的新功能。 downcast ： 可选， 默认为 如果可能，请向下转换dtype。 **kwargs 关键字参数传递给插值函数。 |
返回值： |
返回与调用方相同的对象类型， 并以部分或全部 |
Notes
‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’ 和 ‘akima’ 方法是类似名称的相应SciPy实现的包装。这些使用索引的实际数值。有关其行为的更多信息，请参见 SciPy文档 和SciPy教程。
例子
1）填充NaN在Series通过线性内插
import pandas as pd
import numpy as np
# 创建一个包含缺失值的 Series
s = pd.Series([0, 1, np.nan, 3])
# 输出原始 Series
print("原始 Series:")
print(s)
# 使用插值填充缺失值
s_interpolated = s.interpolate()
# 输出插值后的 Series
print("\n插值后的 Series:")
print(s_interpolated)2）在填补NaN了一系列的填充，却尽显最多两个连续NaN在同一时间
import pandas as pd
import numpy as np
# 创建一个包含缺失值的 Series
s = pd.Series([np.nan, "single_one", np.nan,
"fill_two_more", np.nan, np.nan, np.nan,
4.71, np.nan])
# 输出原始 Series
print("原始 Series:")
print(s)
# 使用向前填充 (pad) 方法填充缺失值，限制填充的数量为2
s_interpolated = s.interpolate(method='pad', limit=2)
# 输出填充后的 Series
print("\n填充后的 Series:")
print(s_interpolated)3）NaN通过多项式插值或样条曲线填充系列：'多项式'和'样条曲线'方法都要求您还指定order（int）
import pandas as pd
import numpy as np
# 创建一个包含缺失值的 Series
s = pd.Series([0, 2, np.nan, 8])
# 输出原始 Series
print("原始 Series:")
print(s)
# 使用二次多项式插值方法填充缺失值
s_interpolated = s.interpolate(method='polynomial', order=2)
# 输出插值后的 Series
print("\n插值后的 Series:")
print(s_interpolated)4）使用线性插值沿每列向前（即向下）填充DataFrame
请注意，如何对列“a”中的最后一个条目进行不同的插值，因为在其后没有任何条目可用于插值。请注意，如何保留列'b'中的第一个条目NaN，因为在它之前没有条目可用于插值。
import pandas as pd
import numpy as np
# 创建一个包含缺失值的 DataFrame
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'))
# 输出原始 DataFrame
print("原始 DataFrame:")
print(df)
# 使用线性插值方法，按列进行插值，限制填充方向为前向填充
df_interpolated = df.interpolate(method='linear',
limit_direction='forward', axis=0)
# 输出插值后的 DataFrame
print("\n插值后的 DataFrame:")
print(df_interpolated)5）使用多项式插值
import pandas as pd
import numpy as np
# 创建一个包含缺失值的 DataFrame
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'))
# 输出原始 DataFrame
print("原始 DataFrame:")
print(df)
# 对列 'd' 使用二次多项式插值填充缺失值
d_interpolated = df['d'].interpolate(method='polynomial',
order=2)
# 输出插值后的 'd' 列
print("\n插值后的 'd' 列:")
print(d_interpolated)