關於熊貓插值函數的不確定性

Question

我正在使用pandas的插值函數。 這是一個玩具示例，用於說明問題：

df=pd.DataFrame({'Data':np.random.normal(size=200), 'Data2':np.random.normal(size=200)}) 

df.iloc[1, 0] = np.nan

print df

print df.interpolate('nearest')

我的問題： interpolate函數是否適用於多列？ 也就是說，它是否使用多元分析來確定缺失字段的值？ 還是僅查看各個列？

Answer 1

該文檔引用了各種可用的方法-大多數僅依賴於index ，可能通過單變量scipy.interp1d或其他單變量scipy方法：

方法：{“線性”，“時間”，“索引”，“值”，“最近”，“零”，“線性”，“二次”，“三次”，“重心”，“克羅格”，“多項式” ，“樣條曲線”，“ piecewise_polynomial”，“ pchip”}

• 'linear'：忽略索引並將值視為等間距。 這是MultiIndexes支持的唯一方法。
• 默認'時間'：插值適用於每日和更高分辨率數據，以插入給定長度的間隔'index'，'values'：使用索引的實際數值
• “最近”，“零”，“線性”，“二次”，“三次”，“重心”，“多項式”傳遞給scipy.interpolate.interp1d。 “多項式”和“樣條曲線”都要求您還指定一個順序（int），例如df.interpolate（method ='polynomial'，order = 4）。 它們使用索引的實際數值。
• “ krogh”，“ piecewise_polynomial”，“ spline”和“ pchip”都是類似名稱的scipy插值方法的包裝。 它們使用索引的實際數值。

SciPy的文檔和圖表說明輸出這里