基于DataFrame中另一列的值对指定列进行插值的实现方案咨询

嗨，我来帮你搞定这个插值需求～ 你的问题核心是按Value_B分组后，针对每个组的Value_A和Value_C做一维插值，计算当Value_A=2000时对应的Value_C值。下面是非常直观的实现步骤和代码，完全适配你300行左右的数据集：

思路解析 #

你的数据结构是同一Value_B下有不同Value_A对应的Value_C，所以我们可以：

1. 按Value_B把数据分成三个组（-90、0、90）
2. 对每个组单独用一维插值（因为每个组里是Value_A自变量对应Value_C因变量，和你之前做的基础1D插值逻辑一致）
3. 把每个组的插值结果整理成你需要的新DataFrame

完整代码实现 #

首先导入需要的工具库：

import pandas as pd
from scipy.interpolate import interp1d

然后是你提供的原始数据：

data = pd.DataFrame([[500,-90,-0.2],[500,0,0.03],[500,90,0.14],
[1000,-90,-0.12],[1000,0,0.06],[1000,90,0.23],
[5000,-90,-0.32],[5000,0,-0.02],[5000,90,0.2]], 
columns = ['Value_A','Value_B','Value_C'])

定义要插值的目标Value_A：

target_A = 2000

接下来是核心的分组插值逻辑：

# 初始化列表存储插值结果
interpolated_rows = []

# 按Value_B分组遍历每个组
for b_value, group in data.groupby('Value_B'):
    # 为当前组创建插值函数：用Value_A预测Value_C，这里用线性插值
    # 你可以修改kind参数换插值方法，比如'cubic'（三次插值）、'quadratic'（二次）
    interpolator = interp1d(group['Value_A'], group['Value_C'], kind='linear')
    # 计算target_A对应的Value_C值
    c_interpolated = interpolator(target_A).item()
    # 把结果加入列表
    interpolated_rows.append([target_A, b_value, c_interpolated])

# 把结果转成DataFrame并按Value_B排序，和原始数据格式对齐
result_df = pd.DataFrame(interpolated_rows, columns=['Value_A', 'Value_B', 'Value_C'])
result_df = result_df.sort_values('Value_B').reset_index(drop=True)

运行后打印result_df就能得到你想要的结果：

Value_A  Value_B  Value_C
0     2000      -90    -0.18
1     2000        0     0.03
2     2000       90     0.21

额外说明 #

• 线性插值是最稳妥的选择，如果你觉得数据有非线性趋势，可以把kind='linear'改成kind='cubic'试试，不过要确保每个组的Value_A数据量足够（至少4个点才能做三次插值）
• 这个方法对300行的数据集完全高效，分组和插值的计算成本都很低
• 如果你的数据里Value_A有重复值，或者非单调的情况，可以在创建插值函数时加上fill_value='extrapolate'参数来处理边界外的情况（不过你的目标2000在500-5000之间，属于内插，不需要外推）

备注：内容来源于stack exchange，提问作者Regina Phalange