#拉格朗日插值代码 import pandas as pd #导入数据分析库Pandas import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import lagrange #导入拉格朗日插值函数 inputfile = '../data/data.xlsx' #销量数据路径 outputfile = '../tmp/sales.xls' #输出数据路径 data = pd.read_excel(inputfile) #读入数据 temp = data[u'销量'][(data[u'销量'] < 400) | (data[u'销量'] > 5000)] #找到不符合要求得值 data[列][行] for i in range(temp.shape[0]): data.loc[temp.index[i],u'销量'] = np.nan #把不符合要求得值变为空值 #自定义列向量插值函数 #s为列向量,n为被插值的位置,k为取前后的数据个数,默认为5 def ployinterp_column(s, n, k=5): y = s.iloc[list(range(n-k, n)) + list(range(n+1, n+1+k))] #取数 就是传入得data y = y[y.notnull()] #剔除空值 f = lagrange(y.index, list(y)) return f(n) #插值并返回插值结果 #逐个元素判断是否需要插值 for i in data.columns: for j in range(len(data)): if (data[i].isnull())[j]: #如果为空即插值。 data.loc[j,i] = ployinterp_column(data[i], j) data.to_excel(outputfile) #输出结果,写入文件 print("success")后面加上生成图像代码
时间: 2024-01-14 08:04:37 浏览: 25
这里是一个简单的生成插值后数据图像的代码:
```
plt.plot(data[u'销量'], 'b-', label='原始数据') # 原始数据图像
plt.plot(data.index, data[u'销量'], 'go', label='插值数据') # 插值后数据图像
plt.legend(loc='best')
plt.xlabel('时间')
plt.ylabel('销量')
plt.show()
```
这段代码可以在 `data.to_excel(outputfile)` 后面加上。
相关问题
import pandas as pd # 导入数据分析库Pandas from scipy.interpolate import lagrange # 导入拉格朗日插值函数 inputfile = '../data/catering_sale.xls' # 销量数据路径 outputfile = '../tmp/sales.xls' # 输出数据路径 data = pd.read_excel(inputfile) # 读入数据 data['销量'][(data['销量'] < 400) | (data['销量'] > 5000)] = None # 过滤异常值,将其变为空值 # 自定义列向量插值函数 # s为列向量,n为被插值的位置,k为取前后的数据个数,默认为5 def ployinterp_column(s, n, k=5): y = s[list(range(n-k, n)) + list(range(n+1, n+1+k))] # 取数 y = y[y.notnull()] # 剔除空值 return lagrange(y.index, list(y))(n) # 插值并返回插值结果 # 逐个元素判断是否需要插值 for i in data.columns: for j in range(len(data)): if (data[i].isnull())[j]: # 如果为空即插值。 data[i][j] = ployinterp_column(data[i], j) data.to_excel(outputfile) # 输出结果,写入文件 修改这段代码老是报错
这段代码报错的原因可能是因为你使用了过时的 `list(range())` 语法,而导致了 `TypeError` 错误。在 Python 3 中,`range()` 函数返回的是一个迭代器,而不是一个列表,因此你不需要将其转换为列表。你可以尝试修改代码,如下所示:
```
import pandas as pd
from scipy.interpolate import lagrange
inputfile = '../data/catering_sale.xls' # 销量数据路径
outputfile = '../tmp/sales.xls' # 输出数据路径
data = pd.read_excel(inputfile) # 读入数据
data['销量'][(data['销量'] < 400) | (data['销量'] > 5000)] = None # 过滤异常值,将其变为空值
# 自定义列向量插值函数
# s为列向量,n为被插值的位置,k为取前后的数据个数,默认为5
def ployinterp_column(s, n, k=5):
y = s[(n-k):(n+1+k)] # 取数
y = y[y.notnull()] # 剔除空值
return lagrange(y.index, list(y))(n) # 插值并返回插值结果
# 逐个元素判断是否需要插值
for i in data.columns:
for j in range(len(data)):
if pd.isna(data[i][j]): # 如果为空即插值。
data[i][j] = ployinterp_column(data[i], j)
data.to_excel(outputfile) # 输出结果,写入文件
```
这里使用了 `pd.isna()` 函数来判断数据是否为空值,而不是使用 `isnull()` 函数。此外,也将列表切片语法修改为了使用 `:` 运算符。
python将.csv文件列转化为numpy数组,使用拉格朗日插值法的空缺值进行插值,
可以使用pandas库将.csv文件读入为DataFrame,然后使用numpy库将DataFrame的列转化为numpy数组。接着使用scipy库中的interpolate模块中的lagrange函数进行拉格朗日插值。具体实现代码如下:
```python
import pandas as pd
import numpy as np
from scipy.interpolate import lagrange
# 读取csv文件为DataFrame
df = pd.read_csv('data.csv')
# 将DataFrame的列转化为numpy数组
col_array = np.array(df['column_name'])
# 定义插值函数
def fill_nan(arr):
# 生成原数组中非空值的下标
idx = np.nonzero(arr)[0]
# 生成原数组中空值的下标
idx_nan = np.where(arr == 0)[0]
# 生成空值对应的拉格朗日插值函数
f = lagrange(idx, arr[idx])
# 对空值进行插值
arr[idx_nan] = f(idx_nan)
return arr
# 调用插值函数进行插值
col_array_interpolated = fill_nan(col_array)
```