interpolate 默认不填充首尾 NaN 是因仅做内插，需非空值包围；头尾 NaN 需用 limit_direction='both' 或先 ffill/bfill；时间序列应显式指定 method='time' 或 'index'，避免默认按位置插值失真。
interpolate 为什么默认不填充首尾 NaN
因为 interpolate 默认只做「内插」（intra-interpolation），即仅对被非空值包围的缺失位置生效。开头或结尾连续的 NaN 不会被处理，这是 Pandas 的安全设计——避免用无依据的趋势外推。
常见错误现象：调用 df['col'].interpolate() 后，头尾还是 NaN，误以为函数失效。
- 用
limit_direction='both'允许双向填充（含首尾） - 若需强制填充所有
NaN，得先补前向/后向再插值，例如：df['col'].ffill().bfill().interpolate()，但要注意这会掩盖原始数据断点 - 时间序列建议用
method='time'或method='index'，否则等距假设可能错位（尤其当采样不均匀时）
线性插值必须注意索引类型
直接对 Series 调用 .interpolate(method='linear') 本质是按整数位置插值，不是按真实时间距离。若索引是 DatetimeIndex 却没指定 method，结果会偏离预期。
正确做法：
- 确保索引是
DatetimeIndex（可用pd.to_datetime()转换） - 显式传参
method='time'：按时间戳实际间隔加权计算，如 2023-01-01 和 2023-01-04 之间缺一天，就取 1/3 处的值 - 若索引是不规则数值（如传感器采样秒数），改用
method='index'，按索引值本身线性插值
示例：
ts = pd.Series([1, np.nan, 3], index=pd.to_datetime(['2023-01-01', '2023-01-03', '2023-01-06']))<br>ts.interpolate(method='time') # 正确：按日期差算权重<br>ts.interpolate() # 错误：默认按位置 0→1→2 等距插，忽略日期跳变
多项式插值容易过拟合且不支持时间索引
method='polynomial' 仅接受整数阶数（如 order=2），且底层调用 numpy.polyfit，要求索引是单调递增的数值型——DatetimeIndex 会直接报错：TypeError: polynomial interpolation requires numeric index。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
使用前提与风险：
- 必须先将时间索引转为数值，例如：
ts.index.astype(np.int64) // 10**9（转为秒级整数），但单位缩放会影响高阶拟合稳定性 - 阶数不宜 > 3：order=5 在 10 个点上就可能剧烈震荡，尤其首尾
- 无法跳过中间大段缺失——
polynomial要求插值区间内至少有order+1个已知点，否则抛ValueError - 替代方案：对小段连续缺失用
method='spline'（需 scipy），它比多项式更平滑、容错更强
高频时间序列慎用 interpolate 填充突变点
金融 tick 数据或物联网秒级读数中，真实跳变（如价格闪崩、设备重启）会被 interpolate 平滑掉，导致后续统计失真。此时插值不是修复，而是污染。
更稳妥的做法：
- 先检测突变：用
diff().abs() > threshold标记疑似跳变位置，把这些点及其邻域设为NaN再插值 - 对长周期缺失（>5 个点），优先考虑前向填充 + 业务标记，而非数学插值
- 保留原始缺失标记列，例如
df['col_is_interpolated'] = df['col'].isna() & ~df['col_orig'].isna()，方便回溯
真正难的不是调哪个参数，而是判断「这里该不该插」——时间序列的语义比数值关系更重要。
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！
