### 使用 Python 对时间序列数据进行插值 在处理时间序列数据时，插值是一种常用的技术来填补缺失的数据点。以下是基于 Pandas 和 NumPy 的方法实现时间序列插值的具体说明。 #### 方法一：使用 Pandas 进行时间插值 Pandas 提供了一个简单而强大的 `interpolate` 函数用于插值操作。当指定参数 `method='time'` 时，它会根据索引的时间戳计算权重并执行插值[^1]。 下面是一个完整的代码示例： ```python import pandas as pd import numpy as np # 创建带有日期索引和数值列的 DataFrame data = { 'date': ['2023-01-01', '2023-01-02', '2023-01-04', '2023-01-05'], 'value': [1, np.nan, 3, 4] } df = pd.DataFrame(data) # 将 date 列转换为 datetime 类型，并设置为索引 df['date'] = pd.to_datetime(df['date']) df.set_index('date', inplace=True) # 执行时间插值 df['interpolated_value'] = df['value'].interpolate(method='time') print(df) ``` 上述代码中，通过将 `date` 设置为索引并调用 `interpolate(method='time')` 实现了按时间比例分配的插值过程。 --- #### 方法二：使用 NumPy 进行线性插值 NumPy 中可以利用 `np.interp` 或者其他函数完成简单的线性插值任务。这种方法适用于已知某些离散点上的取值情况下的场景[^2]。 以下是一段演示如何使用 NumPy 完成时间序列插值的例子： ```python import numpy as np # 原始数据 (假设 x 是时间轴，y 是对应的观测值) xvalues = np.array([1, 2, 4, 5]) yvalues = np.array([1, None, 3, 4]) # 替换掉 yvalues 中的 NaN/None 值以便后续运算 yvalues_cleaned = [] for val in yvalues: if val is not None and not np.isnan(val): yvalues_cleaned.append(float(val)) else: yvalues_cleaned.append(np.nan) yvalues_cleaned = np.array(yvalues_cleaned) # 构建新的连续时间轴 new_x = np.linspace(min(xvalues), max(xvalues), num=100) # 应用线性插值算法 valid_indices = ~np.isnan(yvalues_cleaned) f_interpolated = np.interp(new_x, xvalues[valid_indices], yvalues_cleaned[valid_indices]) # 输出结果 print(f"Original X Values: {xvalues}") print(f"Interpolated Y Values on New X Axis: {f_interpolated[:10]}...") ``` 此部分展示了如何借助 NumPy 来构建更密集的新采样点集合以及应用基本的一维线性插值逻辑。 --- ### 总结 无论是采用 Pandas 的高级功能还是依赖于基础库如 NumPy 都能很好地解决时间序列中的缺失值问题。具体选择取决于实际需求和个人偏好。