pandas.core.resample.Resampler.bfill # 最终 重采样器。bfill ( limit = None ) [来源] # 向后填充重采样数据中的新缺失值。 在统计学中,插补是用替代值替换缺失数据的过程[1]。当对数据进行重采样时,可能会出现缺失值(例如,当重采样频率高于原始频率时)。向后填充将用原始序列中的下一个值替换重采样数据中出现的 NaN 值。原始数据中存在的缺失值不会被修改。 参数: 限制int,可选要填充的值的数量限制。 返回: 系列、数据框具有向后填充 NaN 值的上采样 Series 或 DataFrame。 也可以看看 bfill回填的别名。 fillna使用指定的方法填充 NaN 值,可以是“回填”。 nearest从中心开始用最近邻填充 NaN 值。 ffill前向填充 NaN 值。 Series.fillna使用指定的方法填充 Series 中的 NaN 值,可以是“回填”。 DataFrame.fillna使用指定的方法填充 DataFrame 中的 NaN 值,可以是“回填”。 参考 [ 1 ] https://en.wikipedia.org/wiki/Imputation_(统计) 例子 对系列进行重新采样: >>> s = pd.Series([1, 2, 3], ... index=pd.date_range('20180101', periods=3, freq='h')) >>> s 2018-01-01 00:00:00 1 2018-01-01 01:00:00 2 2018-01-01 02:00:00 3 Freq: h, dtype: int64 >>> s.resample('30min').bfill() 2018-01-01 00:00:00 1 2018-01-01 00:30:00 2 2018-01-01 01:00:00 2 2018-01-01 01:30:00 3 2018-01-01 02:00:00 3 Freq: 30min, dtype: int64 >>> s.resample('15min').bfill(limit=2) 2018-01-01 00:00:00 1.0 2018-01-01 00:15:00 NaN 2018-01-01 00:30:00 2.0 2018-01-01 00:45:00 2.0 2018-01-01 01:00:00 2.0 2018-01-01 01:15:00 NaN 2018-01-01 01:30:00 3.0 2018-01-01 01:45:00 3.0 2018-01-01 02:00:00 3.0 Freq: 15min, dtype: float64 对具有缺失值的 DataFrame 进行重新采样: >>> df = pd.DataFrame({'a': [2, np.nan, 6], 'b': [1, 3, 5]}, ... index=pd.date_range('20180101', periods=3, ... freq='h')) >>> df a b 2018-01-01 00:00:00 2.0 1 2018-01-01 01:00:00 NaN 3 2018-01-01 02:00:00 6.0 5 >>> df.resample('30min').bfill() a b 2018-01-01 00:00:00 2.0 1 2018-01-01 00:30:00 NaN 3 2018-01-01 01:00:00 NaN 3 2018-01-01 01:30:00 6.0 5 2018-01-01 02:00:00 6.0 5 >>> df.resample('15min').bfill(limit=2) a b 2018-01-01 00:00:00 2.0 1.0 2018-01-01 00:15:00 NaN NaN 2018-01-01 00:30:00 NaN 3.0 2018-01-01 00:45:00 NaN 3.0 2018-01-01 01:00:00 NaN 3.0 2018-01-01 01:15:00 NaN NaN 2018-01-01 01:30:00 6.0 5.0 2018-01-01 01:45:00 6.0 5.0 2018-01-01 02:00:00 6.0 5.0