pandas时间序列插值需先转datetime索引并排序，用method='time'按时间距离插值；缺失时间戳则需重建完整时间轴再对齐；resample+asfreq更适规则重采样；插值后应round时间索引防精度漂移。
用 pandas.Series.interpolate() 做时间戳对齐插值
时间序列里缺失的是带时间索引的数值（比如每分钟一条温度记录，中间断了三小时），不能直接用普通线性插值——得先确保索引是 datetime 类型且已排序，否则 interpolate() 会按行号插，不是按时间距离插。
- 必须先执行
series.index = pd.to_datetime(series.index)，再series = series.sort_index() - 调用时显式指定方法：
series.interpolate(method='time')，method='linear'是按整数索引插，结果常错得离谱 - 如果原始时间戳有重复或
NaT，插值前得先dropna()或用series[~series.index.isna()]过滤，否则报ValueError: Index column cannot contain NA values
缺失的是时间戳本身（非数值），得先重建索引
常见场景：原始数据只有数值列，没时间列；或时间列部分为空。这时插值对象不是数值，而是“该在哪一刻存在”——得先构造完整时间轴，再把现有数据对齐上去。
- 用
pd.date_range(start, end, freq='1T')生成完整时间索引（注意freq要和原始采样间隔一致，别用'min'代替'1T'，后者才被正确识别） - 用
reindex()对齐：series.reindex(full_index, method='nearest', tolerance='30S')，其中tolerance控制允许的最大偏移，超了就留NaN - 如果原始时间戳是字符串但格式不统一（如混着
'2023-01-01 10:00'和'2023/01/01 10:00:00'），to_datetime(..., infer_datetime_format=False)更稳，避免解析失败变NaT
resample() + asfreq() 适合规则降频/升频场景
当你要把不规则采集的数据（如传感器偶尔多打几次）转成严格等间隔序列，并填充缺失点，resample() 比手动插值更可靠——它本质是按时间分桶再聚合，天然处理边界和重叠。
- 升频（如从5分钟到1分钟）：用
series.resample('1T').asfreq()，空桶直接填NaN，后续再插值 - 降频（如从1秒到1分钟）：用
series.resample('1T').mean()，比先插值再切片更抗噪 - 注意
resample()默认左闭右开区间，若原始时间戳在整点后几毫秒，可能被划进上一个桶——加参数closed='right'或用origin='start'对齐起始点
插值后时间精度漂移问题
浮点时间戳（如 numpy.datetime64[ns]）经多次 interpolate(method='time') 后，可能出现纳秒级偏移，导致后续 groupby(pd.Grouper(freq=...)) 分组错位，尤其跨天时容易漏掉首尾点。
- 插值完立刻做一次时间归整：
series.index = series.index.round('1S')（按需改精度） - 避免链式操作：不要写
s.interpolate().resample().interpolate()，先插值、再round()、最后重采样 - 如果原始数据来自 CSV，读取时加
parse_dates=['time_col']和date_parser=lambda x: pd.to_datetime(x).dt.floor('1S')，从源头掐掉亚秒噪声
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！
