Python 熊猫，用前几行之间的平均变化在日期之间填充

我认为最好用例子来说明这一点。假设我们有这样一个数据帧：

                 295340      299616
2014-11-02   304.904110  157.123288
2014-12-02   597.303413  305.488493
2015-01-02   896.310372  454.614630
2015-02-02  1192.379580  599.588466
2015-02-04  1211.285484         NaN
2015-03-02          NaN  726.622932

rng = pd.date_range(df.index[0], df.index[-1])

df.reindex(rng)
                 295340      299616
2014-11-02   304.904110  157.123288
2014-11-03          NaN         NaN
2014-11-04          NaN         NaN
2014-11-05          NaN         NaN
...

2014-11-29          NaN         NaN
2014-11-30          NaN         NaN
2014-12-01          NaN         NaN
2014-12-02   597.303413  305.488493

                 295340      299616
2014-11-02   304.904110  157.123288
2014-11-03   314.336345         NaN
2014-11-04   323.768581         NaN
2014-11-05   333.200816         NaN

现在让我们假设我想重新索引这个，像这样：

                 295340      299616
2014-11-02   304.904110  157.123288
2014-12-02   597.303413  305.488493
2015-01-02   896.310372  454.614630
2015-02-02  1192.379580  599.588466
2015-02-04  1211.285484         NaN
2015-03-02          NaN  726.622932

rng = pd.date_range(df.index[0], df.index[-1])

df.reindex(rng)
                 295340      299616
2014-11-02   304.904110  157.123288
2014-11-03          NaN         NaN
2014-11-04          NaN         NaN
2014-11-05          NaN         NaN
...

2014-11-29          NaN         NaN
2014-11-30          NaN         NaN
2014-12-01          NaN         NaN
2014-12-02   597.303413  305.488493

                 295340      299616
2014-11-02   304.904110  157.123288
2014-11-03   314.336345         NaN
2014-11-04   323.768581         NaN
2014-11-05   333.200816         NaN

现在如果我们看295340，我们看到它们的值之间的差异是（597.30-304.90）=292.39

两个值之间的天数为31天。因此平均每天增加9.43

所以我想要的是这样的东西：

                 295340      299616
2014-11-02   304.904110  157.123288
2014-12-02   597.303413  305.488493
2015-01-02   896.310372  454.614630
2015-02-02  1192.379580  599.588466
2015-02-04  1211.285484         NaN
2015-03-02          NaN  726.622932

rng = pd.date_range(df.index[0], df.index[-1])

df.reindex(rng)
                 295340      299616
2014-11-02   304.904110  157.123288
2014-11-03          NaN         NaN
2014-11-04          NaN         NaN
2014-11-05          NaN         NaN
...

2014-11-29          NaN         NaN
2014-11-30          NaN         NaN
2014-12-01          NaN         NaN
2014-12-02   597.303413  305.488493

                 295340      299616
2014-11-02   304.904110  157.123288
2014-11-03   314.336345         NaN
2014-11-04   323.768581         NaN
2014-11-05   333.200816         NaN

我的计算方法是：

304.904110 + (((597.303413-304.904110) / 31) * N)

其中，N是自第1行之后的第一行的1，之后的第2行等

很明显，我希望所有列都以这种方式填充，因此299616使用相同的方法等等

有没有尽可能高效的想法？我知道这样做的方法，但似乎没有什么是有效的，而且似乎应该有某种类型的fillna（）或类似的东西来解决这类金融相关的问题

注：并非所有柱的间距都相同。每个列都可以在日期范围内的任意位置有数字，因此我不能假定每个列的下一个数字将在X日期。

您可以在

重新采样后使用
“time”
方法。（它不会给出你给出的数字，因为11月2日到12月2日之间只有30天，而不是31天）：

这里的缺点是，它将使用末尾的最后一个值进行推断：

[...]
2015-01-31  1173.278341  590.235315
2015-02-01  1182.828960  594.911891
2015-02-02  1192.379580  599.588466
2015-02-03  1201.832532  604.125411
2015-02-04  1211.285484  608.662356
2015-02-05  1211.285484  613.199302
2015-02-06  1211.285484  617.736247
[...]

因此，您必须决定如何处理该问题。
对于初学者，请查看
resample（）