Python中的Resample和Interpolate

在Python中，Resample和Interpolate是用于处理时间序列数据的重要函数。时间序列数据是一系列按照时间顺序排列的数据点，例如股票价格，温度记录等。

Resample

Resample可以将时间序列数据转换为不同的采样频率。例如，将每日的数据转换为每周的数据，或将每秒钟的数据转换为每分钟的数据。Resample的常用方法有：

• mean：计算每个时间段的平均值。
• sum：计算每个时间段的和。
• interpolate：根据已有数据的线性插值计算新的数据点。

以下为使用Resample将每日的温度数据转换为每周的平均温度数据的示例代码：

import pandas as pd

# 读取每日温度数据
df = pd.read_csv('daily_temperature.csv', index_col='date')

# 将每日数据转换为每周数据
df_weekly = df.resample('W').mean()

# 输出结果
print(df_weekly.head())

输出：

            temperature
date                   
2016-01-03     2.857143
2016-01-10     6.000000
2016-01-17     7.000000
2016-01-24     8.142857
2016-01-31    10.857143

Interpolate

Interpolate可以根据已有数据进行线性插值，生成新的数据点。常用的插值方法有：

• linear：线性插值。
• cubic：三次样条插值。
• quadratic：二次插值。
• spline：样条插值。

以下为使用Interpolate根据已有温度数据进行线性插值生成新的数据点的示例代码：

import pandas as pd

# 读取温度数据
df = pd.read_csv('temperature.csv')

# 进行线性插值
df_interpolated = df.interpolate(method='linear')

# 输出结果
print(df_interpolated.head())

输出：

         date  temperature
0  2016-01-01          3.0
1  2016-01-02          6.0
2  2016-01-03          9.0
3  2016-01-04          8.0
4  2016-01-05          7.0