asfreq填充缺失日期前必须将索引设为datetimeindex，否则静默失效；需确保索引为datetime64[ns]，用freq='d'等正确频率对齐，再链式调用ffill()等填充nan。
asfreq 填充缺失日期前必须重设索引为 DatetimeIndex
直接对普通 df 调用 asfreq 会报错或静默失效，因为 asfreq 只作用于时间序列索引。常见错误现象是返回原 DataFrame，没新增任何行，也没报错——其实是索引类型不对。
实操建议：
- 先确认索引类型：
df.index.dtype必须是datetime64[ns]，不是object或int64 - 若日期在列里（比如
'date'列），得先执行：df = df.set_index('date').sort_index() - 如果日期列含字符串，需先转类型：
df['date'] = pd.to_datetime(df['date'])，再设索引
asfreq 的 freq 参数选错会导致日期对不上
asfreq 不是“补全所有空缺”，而是按指定频率（freq）对齐索引，再用前向/后向/插值等方式填充值。选错 freq 会让结果看起来“漏了”或“多了”日期。
实操建议：
- 日频填空必须用
freq='D'，不是'd'或'day'；周频用'W'，月频用'M'或'MS'（月初） - 如果原始数据是工作日（周一到周五），但用了
freq='D'，就会把周末也补进去，且默认填NaN—— 这不是 bug，是预期行为 - 想只补工作日？得先用
asfreq(freq='B')（B 表示 Business Day），但注意：它不会自动识别节假日，需配合CustomBusinessDay
asfreq 默认用 NaN 填充，不等于 fillna
asfreq 的核心动作是“重采样对齐”，不是“智能补值”。它只负责把索引拉成规则频率，对应位置的数值若不存在，就填 NaN。很多人误以为它能自动向前填充或插值，其实不能。
实操建议：
- 要前向填充，得链式调用：
df.asfreq('D').ffill() - 要后向填充：
df.asfreq('D').bfill() - 要线性插值（仅数值列）：
df.asfreq('D').interpolate(method='linear') - 注意：
ffill()和bfill()对时间索引敏感，建议在asfreq后立即做，避免索引顺序混乱
asfreq 在非等距时间数据上容易丢失精度
当原始数据的时间戳带小时分钟秒（如 2023-01-01 09:30:00），而你用 freq='D'，asfreq 会把所有时间归到当天 00:00:00，并丢弃原有时间信息。这不是错误，但常被忽略。
实操建议：
- 如果需要保留原始时间粒度，别用
asfreq，改用resample+ 聚合（如.mean()）或reindex+ 自定义日期范围 - 若坚持用
asfreq，先检查原始索引最小单位：df.index.min(), df.index.max()，再决定是否降频 - 对带时分秒的数据做日频对齐，建议显式截断：
df.index = df.index.normalize()，再asfreq，避免隐式转换带来的歧义
真正麻烦的不是怎么写这行代码，而是得先想清楚：你到底是要对齐时间点，还是对齐时间段；是要补空行，还是要做聚合。asfreq 只管前者，而且只管得非常机械。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
