前言

在数据处理时，由于采集数据量有限，或者采集数据粒度过小，经常需要对数据重采样。在本例中，我们将实现一个类型超分辨率的操作。

思路：

• 首先将原始数据长度扩展为 3 倍，可以使用 loc[] 方法对索引扩展来生成，同时去掉尾部多余的数据。
• 再将每行数据扩展出的数据挖去（设置为空），这个操作我们在案例 使用 explode() 后不复制其他列 中有过讲解。
• 最后使用 DataFrame 的 interpolate() 插补方法会默认按线性逻辑进行填充。

使用步骤

读入数据

代码如下（示例）：

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [10, 20, 50, 40, 80,],
                   'B': [2, 8, 10, 6, 4, ],
                  })

df
# 这个数据共有 5 行，现在我们需要扩展它，在前相邻两个数据之间由一个扩展为 3 个。如 0 和 1 之间再增加两个数据，最终数据为 13 行。
# 新增加的数据行，按整体按线性插补的算法补充。

# 将索引重复三次：
df.index.repeat(3)

# 将得到的索引传入 loc[] 得到扩展数据：
df.loc[df.index.repeat(3)]

# 去掉尾部多余的数据：
(
    df.loc[df.index.repeat(3)]
    .iloc[:-3+1] # 删除最后三个（可为变量），再保留1个，方便以后封装
)

# 再接我们之前案例的方法将扩展出来的数据设置为空：
def func(d: pd.DataFrame):
    d.iloc[1:, :] = None
    return d

(
    df.loc[df.index.repeat(3)]
    .iloc[:-3+1]
    .groupby(level=0)
    .apply(func)
)

# 最后再用 interpolate() 插补数据，整体代码如下：
def func(d: pd.DataFrame):
    d.iloc[1:, :] = None
    return d # 将第一行及其之后的行设置为None

(
    df.loc[df.index.repeat(3)]  # 将df的每个索引值重复3次
    .iloc[:-3+1] # 取除了最后3行的所有行
    .groupby(level=0) # 按照索引值进行分组
    .apply(func) # 对每个分组应用函数func
    .interpolate() # 对缺失值进行插补
)

# 其他方法：
# 我们还可以尝试用分组方法合并进去空 DataFrame，然后再做插补。
none_df = pd.DataFrame([[None]*len(df.columns)], # 将空DataFrame与原DataFrame合并
                       columns=df.columns,  
                       dtype=float,
                      )
none_df

(
    df.groupby(level=0, group_keys=False)  # 按照索引值进行分组 
    .apply(lambda x: pd.concat([x, *[none_df]*2])) # 将空DataFrame与原DataFrame合并
    .interpolate() # 对缺失值进行插补
    .iloc[:-2]  # 取除了最后2行的所有行 
)

总结

以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。