我重新采样一个熊猫TimeSeries。时间序列由二进制值(它是一个分类变量)组成,没有缺失值,但在重新采样NaN后出现。这怎么可能?熊猫TimeSeries resample生产NaN
我不能在这里张贴任何示例数据,因为它是敏感的信息,但我创建和重新采样系列如下:
series = pd.Series(data, ts)
series_rs = series.resample('60T', how='mean')
我重新采样一个熊猫TimeSeries。时间序列由二进制值(它是一个分类变量)组成,没有缺失值,但在重新采样NaN后出现。这怎么可能?熊猫TimeSeries resample生产NaN
我不能在这里张贴任何示例数据,因为它是敏感的信息,但我创建和重新采样系列如下:
series = pd.Series(data, ts)
series_rs = series.resample('60T', how='mean')
upsampling
转换成常规时间间隔,因此,如果没有样品你得到NaN
。
您可以向后填写缺失值fill_method='bfill'
或转发 - fill_method='ffill'
或fill_method='pad'
。
import pandas as pd
ts = pd.date_range('1/1/2015', periods=10, freq='100T')
data = range(10)
series = pd.Series(data, ts)
print series
#2015-01-01 00:00:00 0
#2015-01-01 01:40:00 1
#2015-01-01 03:20:00 2
#2015-01-01 05:00:00 3
#2015-01-01 06:40:00 4
#2015-01-01 08:20:00 5
#2015-01-01 10:00:00 6
#2015-01-01 11:40:00 7
#2015-01-01 13:20:00 8
#2015-01-01 15:00:00 9
#Freq: 100T, dtype: int64
series_rs = series.resample('60T', how='mean')
print series_rs
#2015-01-01 00:00:00 0
#2015-01-01 01:00:00 1
#2015-01-01 02:00:00 NaN
#2015-01-01 03:00:00 2
#2015-01-01 04:00:00 NaN
#2015-01-01 05:00:00 3
#2015-01-01 06:00:00 4
#2015-01-01 07:00:00 NaN
#2015-01-01 08:00:00 5
#2015-01-01 09:00:00 NaN
#2015-01-01 10:00:00 6
#2015-01-01 11:00:00 7
#2015-01-01 12:00:00 NaN
#2015-01-01 13:00:00 8
#2015-01-01 14:00:00 NaN
#2015-01-01 15:00:00 9
#Freq: 60T, dtype: float64
series_rs = series.resample('60T', how='mean', fill_method='bfill')
print series_rs
#2015-01-01 00:00:00 0
#2015-01-01 01:00:00 1
#2015-01-01 02:00:00 2
#2015-01-01 03:00:00 2
#2015-01-01 04:00:00 3
#2015-01-01 05:00:00 3
#2015-01-01 06:00:00 4
#2015-01-01 07:00:00 5
#2015-01-01 08:00:00 5
#2015-01-01 09:00:00 6
#2015-01-01 10:00:00 6
#2015-01-01 11:00:00 7
#2015-01-01 12:00:00 8
#2015-01-01 13:00:00 8
#2015-01-01 14:00:00 9
#2015-01-01 15:00:00 9
#Freq: 60T, dtype: float64
THX。那解决了它 –
超级。你可以upvote或接受它 - [info](http://stackoverflow.com/tour) – jezrael
不同的填充方法做什么? 关于它们的熊猫文档相当有限。 ffilll和bfill是不言自明的,但是垫子呢? –
如果上采样,则默认为引入'NaN'值,除了没有代表性的样本代码,就很难进一步置评 – EdChum