插值方法仅适用于有明确顺序和趋势的数值数据，需确保索引单调递增或使用method='time'；fillna()更安全，适用于类别型、离散型或系统性缺失场景。
插值方法不是“比直接填充更好”，而是更适合有明确顺序和趋势的数据；填充值（如均值、前向填充）在无序或类别型数据上更安全、更不易引入偏差。
插值要求数据有隐含的x轴顺序
线性插值本质是用已知点 (x_i, y_i) 推算未知点的 y，它默认你提供了某种可排序的横坐标——比如时间戳、索引位置、物理测量距离。pandas 的 interpolate() 默认按行索引（index）作为 x 轴，所以如果你的 DataFrame 索引是乱序的（例如 [5, 1, 9, 3]），插值结果会严重失真。
- 正确做法：确保索引单调递增，或显式传入
limit_area='inside'防止外推 - 常见翻车：用默认索引插值后发现中间值“跳变”，其实是索引没排序导致的线性连接错位
- 时间序列场景下，应先用
df.sort_index()或df.set_index('time_col').sort_index()
fillna() 不依赖顺序，但会破坏趋势结构
fillna(method='ffill') 或 fillna(value=df['col'].mean()) 完全不关心前后数值关系，只做局部替换。这在以下情况反而是优势：
- 类别型列（如
status列含'active','inactive',NaN）——插值无法处理字符串 - 离散指标（如用户等级 1/2/3/4），相邻等级间无线性关系，强行插值出 2.7 没业务意义
- 缺失集中在开头/结尾（如传感器刚启动时未校准），
interpolate()默认不外推，会留空；而ffill或bfill可覆盖
method 参数差异决定适用边界
pandas 的 interpolate() 支持多种 method，但并非所有都适合常规缺失填充：
-
method='linear'（默认）：仅适用于近似等距、单调变化的数值列；对突变点（如阶跃信号）会生成不合理的斜坡 -
method='time'：强制把 datetime 索引转为纳秒数再插值，比默认索引更鲁棒，适合不等间隔时间序列 -
method='pad'实际等价于fillna(method='ffill')，不属于数学插值，只是命名重载，容易误导 -
limit和limit_direction必须配合使用：比如limit=2, limit_direction='both'表示最多连续填补 2 个 NaN，防止长段缺失被平滑掩盖
真正关键的判断点不在“插值 or 填充”，而在“你的缺失值是否落在一个可建模的趋势路径上”。如果数据本身是采集误差导致的零星丢失（如某次网络抖动漏传几个点），插值合理；如果是系统性缺失（如某类用户从不填写某字段），任何插值都会伪造不存在的关系。
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！
