1 .前言在数据挖掘中，原始数据中存在大量不完整、不完整的数据。 这些问题数据轻则影响数据挖掘的执行效率，重则影响执行结果。 因此，数据的预处理是必不可少的。 其中经常进行的工作是数据集的缺失值处理。
数据缺失值处理可以分为两类。 一个是删除缺少的数据，另一个是进行数据插值。 前者比较简单粗暴，但这种方法的最大局限性是进行数据的完善以换取历史数据的减少，导致资源的大量浪费。 特别是在数据集本身较少的情况下，记录的删除可能直接影响分析结果的客观性和准确性
本文介绍数据的常用插值方法。 重点介绍和实现拉格朗日插值法和滑动平均窗法。
2.2.1介绍常用的插值方法。
这里只介绍插值法和窗口滑动平均。
2.2滑动平均窗口法在一个列表a中的第I个位置数据为缺失数据的情况下，将前后的窗个数据的平均值作为插值数据。 例如：
a=[ 3，4，5，6，None，4，5，2，5 ]，窗口=3
None位置的数据为(4 5 6 4 5 2)/6=2.67
2.3拉格朗日插值法从数学概念上知道，对于平面上已知的n个点(在没有两点的直线上)，可以通过这n个点找到n-1次多项式。
因此，求出多项式函数l(x )后，将与缺损值对应的点x带入插值多项式，得到缺损值的近似值l ) x )。 多项式函数L(x )的求出方法如下。
3.3.1代码# coding:utf-8#拉格朗日插值import pandas as pd #部署数据分析库pandasfromscipy.interpolateimportlagrange #部署图表原始数据data=PD.dataframe(['2015/3/1 '，59]，['2015/2/28 '，2618.2]，['2015/2/27 '，2608.4]，) ['2015/2/22 '，3744.1]，['2015/2/21 '，]，[ 3295.5]，['2015/2/16 '，2332.1]，['2015/2/15 ['2015/2/10 '，2742.8]，['2015/2/9 '，2173.5]，['2015/2/8 '，3161.8]，['2015/2/7 '，3023.8] 将销售额超过5000且低于400的异常值置换为Nonedata[u '销售额' ][(data[u '销售额' ] 400 )|(data [ u '销售额' ] 5000 ) ]=None#处理的数据series数据格式tmp_data_1=data[u '销售额' ].copy(tmp_data_2=data[u '销售额' ].copy ) ) depy 3360''3360paramseries:列向量：param pos:内插的位置：param window:前后数据数： return : ' ' y=series [ lies ] pos 1 window ) )取数y=y[y.notnull去除空值returnlagrange ) y.index，进行list(y ) (pos ) #插值，插值结果def SMA _ mom 返回pos，其中内插窗口=5) 3360''3360paramseries:列向量：param pos:的位置：param window:包括前后数据的数量： return : pos () list (范围(pos，pos窗口) )获取数y=y[y.notnull返回reduce (lambda，b: a b，y(/len ) y tmp _ data _1[ j ]=ploy interp _ column (tmp _ data _ 1，j ) print j，data.loc[j，u '日期' ]，tmp _ data _1TTT
8 2015/2/21 4275.25476248
14 2015/2/14 3680.66999227
0 2015/3/1 2942.74
8 2015/2/21 3236.97
14 2015/2/14 2883.43
3.3在分析比较下，滑动窗口的方法输出还是合理的。 但是，拉格朗日插值在0位置的数据处理较差，表明插值为-291.4。 拟合点的数据格式为(x，y )，具体数据为(1，2618.2 )，2，2608.4 )，3，2651.9 )，4，3442.1 )，5，3393.1 )。 打印拉格朗日多项式：
L(x )=-94.97 x ^ 41065 x ^3- 3991 x ^ 25930 x ^1- 291.4
带x=0得到L(X )的话，得到-291.4。 其中x=0是L(x )的截距。 直觉上我觉得不太合理，估计拉格朗日插值法对边缘数据很敏感。 也就是说，如果插值需要左右两侧的数据提供信息，而左侧的数据信息缺失，则得到的结果不太合理。 请日后寻求证明。
4 .参考： 《python数据分析与挖掘实战》