插值多索引Pandas数据框。

Question

我需要对多级索引的数据框进行插值:

例如:

这是主要的数据框:

a    b    c    result
1    1    1    6
1    1    2    9
1    2    1    8
1    2    2    11
2    1    1    7
2    1    2    10
2    2    1    9
2    2    2    12

我需要找到以下内容的结果：

1.3    1.7    1.55    

到目前为止，我一直在单独为每个索引附加一个带有NaN的pd.Series。正如您所看到的，这似乎是非常低效的方式。

如果有人能够丰富我的知识，我会很高兴。

附言：我花了一些时间在SO上查找，如果答案在那里，我错过了它： 使用插值填充多级索引Pandas DataFrame Pandas MultiIndex中的重新采样 pandas多级索引数据框，用于缺失值的ND插值 使用插值填充多级索引Pandas DataFrame 算法：

阶段1：

a    b    c    result
1    1    1    6
1    1    2    9
1    2    1    8
1    2    2    11
1.3    1    1    6.3
1.3    1    2    9.3
1.3    2    1    8.3
1.3    2    2    11.3
2    1    1    7
2    1    2    10
2    2    1    9
2    2    2    12

阶段2：

a    b    c    result
1    1    1    6
1    1    2    9
1    2    1    8
1    2    2    11
1.3    1    1    6.3
1.3    1    2    9.3
1.3    1.7    1    7.7
1.3    1.7    2    10.7
1.3    2    1    8.3
1.3    2    2    11.3
2    1    1    7
2    1    2    10
2    2    1    9
2    2    2    12

阶段3：

a    b    c    result
1    1    1    6
1    1    2    9
1    2    1    8
1    2    2    11
1.3    1    1    6.3
1.3    1    2    9.3
1.3    1.7    1    7.7
1.3    1.7    1.55    9.35
1.3    1.7    2    10.7
1.3    2    1    8.3
1.3    2    2    11.3
2    1    1    7
2    1    2    10
2    2    1    9
2    2    2    12

- umn

---

每个阶段的含义是什么？你所说的需要找到“1.3 1.7 1.55”的结果是什么意思？ - Jessica

我写下的步骤是我目前解决问题的方法。第四列是前三列的实际值。将其想象为4D函数... f(x,y,z) = w。 - umn

Answer 1

您可以使用 scipy.interpolate.LinearNDInterpolator 来实现您的需求。如果数据框是一个多重索引，包括列 'a'、'b' 和 'c'，那么：

from scipy.interpolate import LinearNDInterpolator as lNDI
print (lNDI(points=df.index.to_frame().values, values=df.result.values)([1.3, 1.7, 1.55]))

现在如果你有一个DataFrame，其中所有元组 (a, b, c) 都是索引，你想要计算它们，可以执行以下操作：

def pd_interpolate_MI (df_input, df_toInterpolate):
    from scipy.interpolate import LinearNDInterpolator as lNDI
    #create the function of interpolation
    func_interp = lNDI(points=df_input.index.to_frame().values, values=df_input.result.values)
    #calculate the value for the unknown index
    df_toInterpolate['result'] = func_interp(df_toInterpolate.index.to_frame().values)
    #return the dataframe with the new values
    return pd.concat([df_input, df_toInterpolate]).sort_index()

例如，使用您的df和df_toI = pd.DataFrame（index = pd.MultiIndex.from_tuples（[(1.3, 1.7, 1.55),（1.7, 1.4, 1.9）]，names = df.index.names）），然后您将得到

print (pd_interpolate_MI(df, df_toI))
              result
a   b   c           
1.0 1.0 1.00    6.00
        2.00    9.00
    2.0 1.00    8.00
        2.00   11.00
1.3 1.7 1.55    9.35
1.7 1.4 1.90   10.20
2.0 1.0 1.00    7.00
        2.00   10.00
    2.0 1.00    9.00
        2.00   12.00

- Ben.T