pandas.core.resample.Resampler.bfill

最终 重采样器。bfill ( limit = None )

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