昨天我們發現，過多的樣本反而會對估計做出反效果，因此我們今天要來縮小樣本來補值，說到縮小樣本，就不得不提到鼎鼎大名的KNN演算法，又稱為K-近鄰演算法、最近鄰居法，相關理論很複雜，我們先跳過，總而言之就是是用空缺鄰近的數值來推估缺值，以下示範多款比較高端的插值法

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt 


if __name__ == "__main__":
    data = pd.read_csv("./temp.csv")

    # 有些插值法是時間序列專用，所以最好先將索引轉成時間
    data["time"] = pd.to_datetime(data["time"])
    data = data.set_index("time")

    # 線性插值法
    data["linear_imputed"] = data["temp"].interpolate(method="linear")

    # 最近鄰居插值法
    data["nearest_imputed"] = data["temp"].interpolate(method="nearest")

    # 導數插值法
    data["from_derivatives_imputed"] = data["temp"].interpolate(method="from_derivatives")

    # 以下這些方法會使用到索引，請加上一個順序參數，其中多項式跟樣條一定要加
    # 時間插值法，時間序列專用
    data["time_imputed"] = data["temp"].interpolate(method="time", order=10)

    # 線性插值法
    data["slinear_imputed"] = data["temp"].interpolate(method="slinear", order=10)

    # 二次插值法
    data["quadratic’_imputed"] = data["temp"].interpolate(method="quadratic", order=10)

    # 三次插值法
    data["cubic_imputed"] = data["temp"].interpolate(method="cubic", order=10)

    # 零插值法
    data["zero_imputed"] = data["temp"].interpolate(method="zero", order=10)

    # 樣條插值法
    data["spline_imputed"] = data["temp"].interpolate(method="spline", order=2)

    # 多項式插值法
    data["polynomial_imputed"] = data["temp"].interpolate(method="polynomial", order=2)

    data.to_csv("./OK.csv")

這個數值是不是比昨天更有說服力了呢