默认线性插值不按时间间隔而是按行号插值，需显式指定method='time'或method='index'；前者要求datetime64索引且更鲁棒，后者适用更广；注意索引单调性、重复值、空值方向及数值稳定性。
interpolate 默认线性插值不适用于时间索引
直接对带时间索引的 DataFrame 调用 interpolate()，默认按行号插值，不是按时间间隔。结果会错位——比如 2023-01-01 和 2023-01-05 之间缺了三天，它却按“第2行到第4行”平均，完全忽略日期差。
- 必须显式传入
method='time'或method='index'，让 Pandas 按索引值（即时间戳）做距离加权 -
method='time'要求索引是datetime64类型，不是字符串；可用df.index = pd.to_datetime(df.index)强制转换 - 如果索引含 NaT 或重复时间戳，
interpolate(method='time')会静默失败或报ValueError: Index column must be monotonic
method='time' 和 method='index' 的实际区别
二者都按索引值插值，但处理方式不同：当索引是 datetime64 时，method='time' 自动转成纳秒级整数再计算权重；method='index' 则直接用索引的原始数值（如 Timestamp 对象的 .value 属性），效果通常一致。但若索引是 PeriodIndex 或自定义数值序列，method='index' 更稳妥。
- 推荐优先用
method='time'，语义明确，且对常见时间序列更鲁棒 - 如果遇到
TypeError: cannot interpolate with all-object-dtype，说明列里混了字符串或 None，先用df.select_dtypes(include='number')过滤或用downcast='infer' -
limit_direction很关键：空值在开头/结尾时，默认不插（因为没前后参考），需设limit_direction='both'或'forward'/'backward'
高频坑：插值后时间精度丢失或索引重复
用 resample('1H').interpolate() 这类链式操作，容易在重采样后引入未对齐的时间点，再插值可能把多个 NaN 塞进同一秒级时间戳，导致 duplicate index 错误。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 务必检查插值前索引是否严格单调递增：用
df.index.is_monotonic_increasing验证 - 插值前先去重：若存在重复时间，用
df = df[~df.index.duplicated(keep='first')]，否则interpolate可能跳过整段 - 插值后注意浮点误差：纳秒级时间戳插值可能产生微秒级偏差，必要时用
df.index = df.index.round('S')对齐到秒
非线性插值：spline 和 polynomial 不适合长时序
method='spline' 或 method='polynomial' 需要指定 order，但它们对数据长度敏感——1000 行以上就容易数值不稳定，抛 LinAlgError: SVD did not converge。
- 只建议用于短、平滑、无噪声的子序列，比如单次传感器 burst 数据（
- 时间序列中更实用的是
method='pad'（前向填充）配合limit=24控制最大跨度，比高阶插值更可控 - 若需拟合趋势，不如先用
df.rolling(7).mean()平滑，再对平滑后序列线性插值，比硬上 spline 更稳
真正麻烦的从来不是选哪个 method，而是插值前没检查索引类型和单调性，或者插完发现开头结尾还挂着一串 NaN 却忘了设 limit_direction。
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！
