根据不同年份的同一时期的值对时间序列的缺失值进行插值答案

【问题标题】：Interpolating missing values for time series based on the values of the same period from a different year根据不同年份的同一时期的值对时间序列的缺失值进行插值
【发布时间】：2020-04-04 13:01:36
【问题描述】：

我有一个如下的时间序列：

date        value
2017-08-27  564.285714
2017-09-03  28.857143
2017-09-10  NaN
2017-09-17  NaN
2017-09-24  NaN
2017-10-01  236.857143
... ...
2018-09-02  345.142857
2018-09-09  288.714286
2018-09-16  274.000000
2018-09-23  248.142857
2018-09-30  166.428571

它对应于 2017 年 7 月至 2019 年 11 月的范围，并按周重新采样。但是，有几个星期的值是 0。我替换了它，因为那里的值丢失了，现在我想根据不同年份的同源时期的值来感受这些值。例如，我缺少 2017 年 9 月的大量数据。我想使用 2018 年 9 月的值对这些值进行插值。但是，我是新手，我不太确定要这样做仅基于选定的时期。顺便说一句，我正在使用 python。

如果有人知道如何快速做到这一点，我将不胜感激。

【问题讨论】：

您可以将数据读入 pandas 数据框，然后使用 pandas.DataFrame.loc[index - <period>] 和 pandas.DataFrame.fillna() 等工具。请在此处查看 pandas 文档：pandas.pydata.org/pandas-docs/stable/getting_started/…
您可以编辑 2018 年 10 月和 2017 年 10 月的样本数据吗？
@PrinceFrancis 完成（实际上是 9 月，对此感到抱歉，已经更改）

标签： python time-series interpolation

【解决方案1】：

如果您对pandas 库感到满意一种选择是从date 中找到week 数字并填充NaN 值。

df['week'] = pd.to_datetime(df['date'], format='%Y-%m-%d').dt.strftime("%V")
df2 = df.sort_values(['week']).fillna(method='bfill').sort_values(['date'])
df2

这将为您提供以下输出。

    date    value   week
0   2017-08-27  564.285714  34
1   2017-09-03  28.857143   35
2   2017-09-10  288.714286  36
3   2017-09-17  274.000000  37
4   2017-09-24  248.142857  38
5   2017-10-01  236.857143  39
6   2018-09-02  345.142857  35
7   2018-09-09  288.714286  36
8   2018-09-16  274.000000  37
9   2018-09-23  248.142857  38
10  2018-09-30  166.428571  39

【讨论】：

【解决方案2】：

在熊猫中：

df['value'] = df['value'].fillna(df['value_last_year'])

【讨论】：