una tutorial index filas datos data crear columna añadir agregar python pandas extrapolation

python - tutorial - pandas dataframe index



Extrapolar los valores en Pandas DataFrame (2)

Es muy fácil interpolar las células NaN en un DataFrame de Pandas:

In [98]: df Out[98]: neg neu pos avg 250 0.508475 0.527027 0.641292 0.558931 500 NaN NaN NaN NaN 1000 0.650000 0.571429 0.653983 0.625137 2000 NaN NaN NaN NaN 3000 0.619718 0.663158 0.665468 0.649448 4000 NaN NaN NaN NaN 6000 NaN NaN NaN NaN 8000 NaN NaN NaN NaN 10000 NaN NaN NaN NaN 20000 NaN NaN NaN NaN 30000 NaN NaN NaN NaN 50000 NaN NaN NaN NaN [12 rows x 4 columns] In [99]: df.interpolate(method=''nearest'', axis=0) Out[99]: neg neu pos avg 250 0.508475 0.527027 0.641292 0.558931 500 0.508475 0.527027 0.641292 0.558931 1000 0.650000 0.571429 0.653983 0.625137 2000 0.650000 0.571429 0.653983 0.625137 3000 0.619718 0.663158 0.665468 0.649448 4000 NaN NaN NaN NaN 6000 NaN NaN NaN NaN 8000 NaN NaN NaN NaN 10000 NaN NaN NaN NaN 20000 NaN NaN NaN NaN 30000 NaN NaN NaN NaN 50000 NaN NaN NaN NaN [12 rows x 4 columns]

También me gustaría que extrapole los valores NaN que están fuera del alcance de la interpolación, usando el método dado. ¿Cómo podría hacer esto?

import pandas as pd try: # for Python2 from cStringIO import StringIO except ImportError: # for Python3 from io import StringIO df = pd.read_table(StringIO('''''' neg neu pos avg 0 NaN NaN NaN NaN 250 0.508475 0.527027 0.641292 0.558931 999 NaN NaN NaN NaN 1000 0.650000 0.571429 0.653983 0.625137 2000 NaN NaN NaN NaN 3000 0.619718 0.663158 0.665468 0.649448 4000 NaN NaN NaN NaN 6000 NaN NaN NaN NaN 8000 NaN NaN NaN NaN 10000 NaN NaN NaN NaN 20000 NaN NaN NaN NaN 30000 NaN NaN NaN NaN 50000 NaN NaN NaN NaN''''''), sep=''/s+'') print(df.interpolate(method=''nearest'', axis=0).ffill().bfill())

rendimientos

neg neu pos avg 0 0.508475 0.527027 0.641292 0.558931 250 0.508475 0.527027 0.641292 0.558931 999 0.650000 0.571429 0.653983 0.625137 1000 0.650000 0.571429 0.653983 0.625137 2000 0.650000 0.571429 0.653983 0.625137 3000 0.619718 0.663158 0.665468 0.649448 4000 0.619718 0.663158 0.665468 0.649448 6000 0.619718 0.663158 0.665468 0.649448 8000 0.619718 0.663158 0.665468 0.649448 10000 0.619718 0.663158 0.665468 0.649448 20000 0.619718 0.663158 0.665468 0.649448 30000 0.619718 0.663158 0.665468 0.649448 50000 0.619718 0.663158 0.665468 0.649448

Nota: Cambié tu df un poco para mostrar cómo la interpolación con la nearest es diferente de hacer un df.fillna . (Vea la fila con el índice 999).

También agregué una fila de NaNs con índice 0 para mostrar que bfill() también puede ser necesario.

Extrapolación de Pandas DataFrame s

DataFrame s puede ser extrapolado, sin embargo, no hay una llamada de método simple dentro de pandas y requiere otra biblioteca (ej. Scipy.optimize ).

Extrapolando

La extrapolación, en general, requiere que uno haga ciertas suposiciones sobre los datos que se extrapolan. Una forma es mediante la curva de ajustar una ecuación general parametrizada a los datos para encontrar los valores de los parámetros que mejor describen los datos existentes, que luego se utiliza para calcular los valores que se extienden más allá del rango de estos datos. El problema difícil y limitante de este enfoque es que debe hacerse alguna suposición sobre la tendencia cuando se selecciona la ecuación parametrizada. Esto se puede encontrar a través de prueba y error con diferentes ecuaciones para dar el resultado deseado o se puede inferir a veces del origen de los datos. Los datos proporcionados en la pregunta realmente no son lo suficientemente grandes de un conjunto de datos para obtener una curva bien ajustada; sin embargo, es lo suficientemente bueno para ilustrar.

El siguiente es un ejemplo de extrapolación del DataFrame con un polinomio de 3er orden

f ( x ) = a x 3 + b x 2 + c x + d (Ec. 1)

Esta función genérica ( func() ) se ajusta a la curva en cada columna para obtener parámetros únicos específicos de la columna (es decir, a , b , c , d ). Entonces, estas ecuaciones parametrizadas se usan para extrapolar los datos en cada columna para todos los índices con NaN .

import pandas as pd from cStringIO import StringIO from scipy.optimize import curve_fit df = pd.read_table(StringIO('''''' neg neu pos avg 0 NaN NaN NaN NaN 250 0.508475 0.527027 0.641292 0.558931 500 NaN NaN NaN NaN 1000 0.650000 0.571429 0.653983 0.625137 2000 NaN NaN NaN NaN 3000 0.619718 0.663158 0.665468 0.649448 4000 NaN NaN NaN NaN 6000 NaN NaN NaN NaN 8000 NaN NaN NaN NaN 10000 NaN NaN NaN NaN 20000 NaN NaN NaN NaN 30000 NaN NaN NaN NaN 50000 NaN NaN NaN NaN''''''), sep=''/s+'') # Do the original interpolation df.interpolate(method=''nearest'', xis=0, inplace=True) # Display result print ''Interpolated data:'' print df print # Function to curve fit to the data def func(x, a, b, c, d): return a * (x ** 3) + b * (x ** 2) + c * x + d # Initial parameter guess, just to kick off the optimization guess = (0.5, 0.5, 0.5, 0.5) # Create copy of data to remove NaNs for curve fitting fit_df = df.dropna() # Place to store function parameters for each column col_params = {} # Curve fit each column for col in fit_df.columns: # Get x & y x = fit_df.index.astype(float).values y = fit_df[col].values # Curve fit column and get curve parameters params = curve_fit(func, x, y, guess) # Store optimized parameters col_params[col] = params[0] # Extrapolate each column for col in df.columns: # Get the index values for NaNs in the column x = df[pd.isnull(df[col])].index.astype(float).values # Extrapolate those points with the fitted function df[col][x] = func(x, *col_params[col]) # Display result print ''Extrapolated data:'' print df print print ''Data was extrapolated with these column functions:'' for col in col_params: print ''f_{}(x) = {:0.3e} x^3 + {:0.3e} x^2 + {:0.4f} x + {:0.4f}''.format(col, *col_params[col])

Extrapolando resultados

Interpolated data: neg neu pos avg 0 NaN NaN NaN NaN 250 0.508475 0.527027 0.641292 0.558931 500 0.508475 0.527027 0.641292 0.558931 1000 0.650000 0.571429 0.653983 0.625137 2000 0.650000 0.571429 0.653983 0.625137 3000 0.619718 0.663158 0.665468 0.649448 4000 NaN NaN NaN NaN 6000 NaN NaN NaN NaN 8000 NaN NaN NaN NaN 10000 NaN NaN NaN NaN 20000 NaN NaN NaN NaN 30000 NaN NaN NaN NaN 50000 NaN NaN NaN NaN Extrapolated data: neg neu pos avg 0 0.411206 0.486983 0.631233 0.509807 250 0.508475 0.527027 0.641292 0.558931 500 0.508475 0.527027 0.641292 0.558931 1000 0.650000 0.571429 0.653983 0.625137 2000 0.650000 0.571429 0.653983 0.625137 3000 0.619718 0.663158 0.665468 0.649448 4000 0.621036 0.969232 0.708464 0.766245 6000 1.197762 2.799529 0.991552 1.662954 8000 3.281869 7.191776 1.702860 4.058855 10000 7.767992 15.272849 3.041316 8.694096 20000 97.540944 150.451269 26.103320 91.365599 30000 381.559069 546.881749 94.683310 341.042883 50000 1979.646859 2686.936912 467.861511 1711.489069 Data was extrapolated with these column functions: f_neg(x) = 1.864e-11 x^3 + -1.471e-07 x^2 + 0.0003 x + 0.4112 f_neu(x) = 2.348e-11 x^3 + -1.023e-07 x^2 + 0.0002 x + 0.4870 f_avg(x) = 1.542e-11 x^3 + -9.016e-08 x^2 + 0.0002 x + 0.5098 f_pos(x) = 4.144e-12 x^3 + -2.107e-08 x^2 + 0.0000 x + 0.6312

Parcela para la columna avg

Sin un conjunto de datos más grande o sin conocer la fuente de los datos, este resultado puede ser completamente incorrecto, pero debe ejemplificar el proceso para extrapolar un DataFrame . La ecuación supuesta en func() probablemente necesitaría jugarse para obtener la extrapolación correcta. Además, no se hizo ningún intento de hacer que el código fuera eficiente.

Actualizar:

Si su índice no es numérico, como un DatetimeIndex , consulte esta respuesta para saber cómo extrapolarlos.