Question

我有一个时间序列数据框，数据框非常大，并且在2列中包含一些缺失值（＆＃39;湿度＆＃39;和压力＆＃39;）。我想以巧妙的方式来证明这些缺失的值，例如使用最近邻居的值或前一个和后一个时间戳的平均值。是否有一个简单的方法可以做到这一点？我尝试过fancyimpute但是数据集包含大约180000个示例并且给出了内存错误

Answer 1

考虑interpolate（documentation）。此示例显示如何使用直线填充任何大小的间隙：

df = pd.DataFrame({'date': pd.date_range(start='2013-01-01', periods=10, freq='H'), 'value': range(10)})
df.loc[2:3, 'value'] = np.nan
df.loc[6, 'value'] = np.nan
df
                 date  value
0 2013-01-01 00:00:00    0.0
1 2013-01-01 01:00:00    1.0
2 2013-01-01 02:00:00    NaN
3 2013-01-01 03:00:00    NaN
4 2013-01-01 04:00:00    4.0
5 2013-01-01 05:00:00    5.0
6 2013-01-01 06:00:00    NaN
7 2013-01-01 07:00:00    7.0
8 2013-01-01 08:00:00    8.0
9 2013-01-01 09:00:00    9.0

df['value'].interpolate(method='linear', inplace=True)
                 date  value
0 2013-01-01 00:00:00    0.0
1 2013-01-01 01:00:00    1.0
2 2013-01-01 02:00:00    2.0
3 2013-01-01 03:00:00    3.0
4 2013-01-01 04:00:00    4.0
5 2013-01-01 05:00:00    5.0
6 2013-01-01 06:00:00    6.0
7 2013-01-01 07:00:00    7.0
8 2013-01-01 08:00:00    8.0
9 2013-01-01 09:00:00    9.0

Answer 2

您可以像这样使用rolling：

frame = pd.DataFrame({'Humidity':np.arange(50,64)})

frame.loc[[3,7,10,11],'Humidity'] = np.nan

frame.Humidity.fillna(frame.Humidity.rolling(4,min_periods=1).mean())

输出：

0     50.0
1     51.0
2     52.0
3     51.0
4     54.0
5     55.0
6     56.0
7     55.0
8     58.0
9     59.0
10    58.5
11    58.5
12    62.0
13    63.0
Name: Humidity, dtype: float64

Answer 3

看起来您的数据是按小时计算的。如何才能获取之前和之后一小时的平均值？或者将窗口大小更改为2，表示前后两小时的平均值？

使用其他变量进行插入可能很昂贵，如果虚拟方法不能正常工作（例如引入过多噪声），则应该只考虑这些方法。

Answer 4

<强>内插＆Filna：

由于其时间序列问题，我将在答案中使用一些o / p图形图像以更好地理解它：

考虑到我们具有以下时间序列数据：（在x轴上=天数，y =数量）

pdDataFrame.set_index('Dates')['QUANTITY'].plot(figsize = (16,6))

我们可以看到时间序列中有一些NaN数据。 nan的百分比=总数据的19.400％。现在我们要估算null / nan值。

我将尝试向您展示插值和filna方法的o / p来填充数据中的Nan值。

interpolate（）：

第一，我们将使用插值：

pdDataFrame.set_index('Dates')['QUANTITY'].interpolate(method='linear').plot(figsize = (16,6))

注意：这里没有时间方法可以插值

具有回填方法的fillna（）

pdDataFrame.set_index('Dates')['QUANTITY'].fillna(value=None, method='backfill', axis=None, limit=None, downcast=None).plot(figsize = (16,6))

带有回填方法且限制= 7的fillna（）

限制：这是连续的NaN值以向前/向后填充物的最大数量。换句话说，如果连续的NaN数量大于此数量的缺口，它将仅被部分填充。

pdDataFrame.set_index('Dates')['QUANTITY'].fillna(value=None, method='backfill', axis=None, limit=7, downcast=None).plot(figsize = (16,6))

我发现fillna函数更有用。但是您可以使用任何一种方法来填充两列中的nan值。

有关这些功能的更多详细信息，请参考以下链接：

还有一个Lib：impyute您可以签出。有关此lib的更多详细信息，请参见以下链接：https://pypi.org/project/impyute/

在python中缺少时间序列中的值

4 个答案: