python – Pandas：通过在现有列之间进行线性插值来创建一个新列

假设我有一个DataFrame,其中包含有关山上不同海拔高度温度的数据,每个数据每天同时采样一次.每个探针的高度是固定的(即它们每天保持不变)并且是已知的.每行代表一个不同的时间戳,我有一个单独的列来记录每个探针观察到的温度.我还有一个列(targ_alt),其中包含每行的“感兴趣的高度”.

我的目标是添加一个名为intreped_temp的新列,其中包含对于每一行,通过在已知高度的探针温度之间线性插值,为该行的targ_alt获得的温度.做这个的最好方式是什么？

这是一些设置代码,因此我们可以查看相同的上下文：

import pandas as pd
import numpy as np

np.random.seed(1)

n = 10
probe_alts = {'base': 1000, 'mid': 2000, 'peak': 3500}
# let's make the temperatures decrease at higher altitudes...just for style
temp_readings = {k: np.random.randn(n) + 15 - v/300 for k, v in probe_alts.items()}
df = pd.DataFrame(temp_readings)

targ_alt = 2000 + (500 * np.random.randn(n))
df['targ_alt'] = targ_alt

所以df看起来像这样：

        base        mid      peak     targ_alt
0  13.624345  10.462108  2.899381  1654.169624
1  11.388244   6.939859  5.144724  1801.623237
2  11.471828   8.677583  4.901591  1656.413650
3  10.927031   8.615946  4.502494  1577.397179
4  12.865408  10.133769  4.900856  1664.376935
5   9.698461   7.900109  3.316272  1993.667701
6  13.744812   8.827572  3.877110  1441.344826
7  11.238793   8.122142  3.064231  2117.207849
8  12.319039   9.042214  3.732112  2829.901089
9  11.750630   9.582815  4.530355  2371.022080

@R_404_5620@:

在上面给出的示例中,我想要插入每行中的不同x坐标.精细.如果你不…如果你想要插入每一行中相同的x坐标,那么使用SciPy可以节省大量的时间.见下面的例子：

import numpy as np
import pandas as pd
from scipy.interpolate import interp1d

np.random.seed(1)
n = 10e4

df = pd.DataFrame({'a': np.random.randn(n), 
                   'b': 10 + np.random.randn(n), 
                   'c': 30 + np.random.randn(n)})

xs = [-10, 0, 10]
cvs = df.columns.values

现在考虑使用3种不同的方法来处理一个列,该列将在给定列之间插入x坐标为5：

%timeit df['n1'] = df.apply(lambda row: np.interp(5, xs, row[cvs]), axis=1)
%timeit df['n2'] = df.apply(lambda row: np.interp(5, xs, tuple([row[j] for j in cvs])), axis=1)
%timeit df['n3'] = interp1d(xs, df[cvs])(5)

以下是n = 1e2的结果：

100 loops, best of 3: 13.2 ms per loop
1000 loops, best of 3: 1.24 ms per loop
1000 loops, best of 3: 488 µs per loop

对于n = 1e4：

1 loops, best of 3: 1.33 s per loop
10 loops, best of 3: 109 ms per loop
1000 loops, best of 3: 798 µs per loop

对于n = 1e6：

# first one is too slow to wait for
1 loops, best of 3: 10.9 s per loop
10 loops, best of 3: 58.3 ms per loop

一个后续问题：是否有一种快速修改此代码的方法,以便通过线性外推法处理训练数据最小 – 最大范围之外的x输入？