内插（或外推）熊猫数据框中的小间隙

内插（或外推）熊猫数据框中的小间隙

因此，这里有一个面具可以解决这个问题。只需

interpolate

然后应用蒙版将适当的值重置为NaN。老实说，这比我意识到的工作要多得多，因为我不得不遍历每列，但是如果没有我提供一些像“
ones”这样的虚拟列，groupby就无法工作。

无论如何，我可以解释是否有任何不清楚的地方，但实际上只有几行很难理解。有关更多信息，请参见此处，以获取更多有关该技巧的解释，

df['new']

或者仅打印出单独的一行以更好地了解发生了什么。

mask = data.copy()for i in list('abcdefgh'):    df = pd.Dataframe( data[i] )    df['new'] = ((df.notnull() != df.shift().notnull()).cumsum())    df['ones'] = 1    mask[i] = (df.groupby('new')['ones'].transform('count') < 5) | data[i].notnull()In [7]: dataOut[7]:    a      b      c   d       e       f       g       h2014-02-21 14:50:00  123.5  433.5  123.5 NaN     NaN     NaN  2330.3  2330.32014-02-21 14:51:00    NaN  523.2  132.3 NaN     NaN     NaN     NaN     NaN2014-02-21 14:52:00  136.3  536.3  136.3 NaN     NaN     NaN     NaN     NaN2014-02-21 14:53:00  164.3  464.3  164.3 NaN     NaN     NaN     NaN     NaN2014-02-21 14:54:00  213.0  413.0    NaN NaN     NaN  2763.0     NaN     NaN2014-02-21 14:55:00  164.3  164.3    NaN NaN     NaN  2142.3     NaN     NaN2014-02-21 14:56:00  213.0  213.0    NaN NaN     NaN  2127.3     NaN     NaN2014-02-21 14:57:00  221.1  221.1    NaN NaN  2330.3  2330.3     NaN  2777.7In [8]: maskOut[8]:   a     b     c      d      e     f      g      h2014-02-21 14:50:00  True  True  True  False  False  True   True   True2014-02-21 14:51:00  True  True  True  False  False  True  False  False2014-02-21 14:52:00  True  True  True  False  False  True  False  False2014-02-21 14:53:00  True  True  True  False  False  True  False  False2014-02-21 14:54:00  True  True  True  False  False  True  False  False2014-02-21 14:55:00  True  True  True  False  False  True  False  False2014-02-21 14:56:00  True  True  True  False  False  True  False  False2014-02-21 14:57:00  True  True  True  False   True  True  False   True

如果您对推断没有任何幻想，那么从那里开始很容易：

In [9]: data.interpolate().bfill()[mask]Out[9]:    a      b      c   d       e       f       g       h2014-02-21 14:50:00  123.5  433.5  123.5 NaN     NaN  2763.0  2330.3  2330.32014-02-21 14:51:00  129.9  523.2  132.3 NaN     NaN  2763.0     NaN     NaN2014-02-21 14:52:00  136.3  536.3  136.3 NaN     NaN  2763.0     NaN     NaN2014-02-21 14:53:00  164.3  464.3  164.3 NaN     NaN  2763.0     NaN     NaN2014-02-21 14:54:00  213.0  413.0  164.3 NaN     NaN  2763.0     NaN     NaN2014-02-21 14:55:00  164.3  164.3  164.3 NaN     NaN  2142.3     NaN     NaN2014-02-21 14:56:00  213.0  213.0  164.3 NaN     NaN  2127.3     NaN     NaN2014-02-21 14:57:00  221.1  221.1  164.3 NaN  2330.3  2330.3     NaN  2777.7

编辑添加： 通过将一些内容移出循环，这是一种更快的方法（此示例数据的大约两倍），并且稍微简单一些：

mask = data.copy()grp = ((mask.notnull() != mask.shift().notnull()).cumsum())grp['ones'] = 1for i in list('abcdefgh'):    mask[i] = (grp.groupby(i)['ones'].transform('count') < 5) | data[i].notnull()