背景：Python 做数据分析，DataFrame数据结构

由于需要根据历史的时间序列预测未来一段时间的序列值，在获取时间序列时经常会遇到部分值缺失，或者数值不理想的情况。此时为了保证历史序列的正确提取，就要把异常值去掉，然后通过插值进行修补。

以下是Pandas中的几种插值方式，使用方便：

1、线性插值。

顾名思义，可能是最直接的插值方式之一，虽然简单可能效果也不太好。

特点：只能在已知样本中间插值，像我的数据里，起始数据没有的情况是不行的。

代码很简单，Pandas的内置函数，把要插值的地方置为NaN，然后直接调用interpolate()函数。

delIndex = df[df['cloud'] != 0].index # 筛选要插值的位置
df.iloc[delIndex, 2] = np.nan # 置为NaN
df = df.interpolate() # 插值

插值前：

线性插值后：

2、多项式插值也是一样，指定参数method和阶数order：

delIndex = df[df['cloud'] != 0].index # 筛选要插值的位置
df.iloc[delIndex, 2] = np.nan # 置为NaN
df = df.interpolate(method='polynomial', order=2) # 多项式插值

多项式插值后：

这段数据看起来多项式插值和线性插值区别不大，插值结果只有小数级的差异。

3、样条插值是一种基于样条曲线的插值方法。它通过拟合一条具有光滑特性的曲线来估算未知数据点的值。在Pandas中，可以使用interpolate()函数的method参数来选择样条插值的方法。

delIndex = df[df['cloud'] != 0].index # 筛选要插值的位置
df.iloc[delIndex, 2] = np.nan # 置为NaN
df = df.interpolate(method='spline', order=2) # 样条插值

样条插值后：

单看数值差异很小，猜测对我这个任务，使用哪种插值方法影响不大。

等我插值完所有的缺失数据后，计算一次总体误差应该能比较一下在这个任务上哪种插值方法更好，当然，也可能结果差距不大。