python 时间序列中的缺失值

Question

我有一个时间序列数据框，该数据框很大并且在 2 列（'Humidity' 和 'Pressure'）中包含一些缺失值。我想以一种巧妙的方式来估算这些缺失值，例如使用最近邻居的值或之前和之后 timestamp.Is 的平均值有一个简单的方法吗？我试过使用 fancyimpute 但数据集包含大约 180000 个示例并给出内存错误

Answer 1

您的数据似乎是按小时计算的。取前一小时和后一小时的平均值怎么样？或者把window大小改成2，意思是前后两个小时的平均值？

使用其他变量进行插补可能代价高昂，只有在虚拟方法效果不佳（例如引入过多噪声）时才应考虑这些方法。

Answer 2

您可以这样使用 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

考虑 interpolate (Series - DataFrame)。此示例显示如何用直线填充任意大小的间隙：

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 4

插值和滤波器：

由于是时间序列问题，我将在答案中使用 o/p 图形图像来进行解释：

假设我们有如下时间序列数据：（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 个值。

我将尝试向您展示 o/p 插值和 filna 方法来填充数据中的 Nan 值。

插值() :

1st 我们将使用插值：

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

注意：这里插值没有时间方法

带回填方法的 fillna()

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

fillna() with backfill method & limit = 7

limit：这是要 forward/backward 填充的连续 NaN 值的最大数量。换句话说，如果有超过这个连续NaN数的间隙，它只会被部分填充。

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。

有关这些函数的更多详细信息，请参阅以下 link：

还有一个库：impyute，您可以查看。有关此库的更多详细信息，请参阅此 link：https://pypi.org/project/impyute/

python 时间序列中的缺失值

Missing values in Time Series in python

python

nan

pandas

imputation