本文介绍如何在 Pandas 中对等间隔缺失的时间戳进行智能前向填充——利用 interpolate() 方法自动按时间线性插值，精准恢复每分钟递增的 Timestamp，避免手动计算错误。
本文介绍如何在 pandas 中对等间隔缺失的时间戳进行智能前向填充——利用 `interpolate()` 方法自动按时间线性插值，精准恢复每分钟递增的 timestamp，避免手动计算错误。
在处理时间序列数据时，若原始数据中 Timestamp 以固定步长（如每分钟）递增，但存在连续缺失值（如 NaN 或 'N/A'），直接使用 ffill() 无法满足“逐行加 1 分钟”的需求——因为 ffill() 仅复制上一个非空值，不会自动递增。而手动实现（如通过布尔掩码 + pd.Timedelta）易出错，尤其在多连续缺失场景下难以准确对齐索引与增量逻辑。
推荐方案是使用 Pandas 的 Series.interpolate(method='time') ——它专为时间序列设计：将时间戳转为纳秒级数值，基于前后有效时间点进行线性插值，并自动还原为 datetime64 类型，完美适配等间隔规律。
✅ 正确实现步骤如下：
import pandas as pd
# 构建示例数据
df = pd.DataFrame({
'Timestamp': ['01-04-2024 00:00', '01-04-2024 00:01', '01-04-2024 00:02',
'01-04-2024 00:03', None, None, '01-04-2024 00:06'],
'record_id': [1, 2, 3, 4, 5, 6, 7]
})
# 1. 转换为 datetime 类型（关键！否则 interpolate 不识别时间语义）
df['Timestamp'] = pd.to_datetime(df['Timestamp'])
# 2. 使用 time 插值法（默认 method='linear' 对时间无效，必须显式指定 method='time'）
df['Timestamp'] = df['Timestamp'].interpolate(method='time')
# 3. 可选：格式化输出（如需保留原字符串格式）
df['Timestamp'] = df['Timestamp'].dt.strftime('%d-%m-%Y %H:%M')
print(df)
输出结果：
Timestamp record_id 0 01-04-2024 00:00 1 1 01-04-2024 00:01 2 2 01-04-2024 00:02 3 3 01-04-2024 00:03 4 4 01-04-2024 00:04 5 5 01-04-2024 00:05 6 6 01-04-2024 00:06 7
⚠️ 注意事项：
- 必须先调用 pd.to_datetime() 将列转为 datetime64[ns] 类型，interpolate(method='time') 才能生效；
- method='time' 是关键参数：它按时间轴（而非整数索引）插值，确保等间隔推算；
- 若缺失值位于首尾（如开头连续 NaN），interpolate() 默认不填充边界外推值；如需首尾填充，可结合 limit_area='inside' 或预处理补全边界；
- 对于非等间隔场景（如跳过午休时段），应改用业务逻辑+自定义函数，而非依赖 time 插值。
总结：面对规则递增的时间戳缺失问题，interpolate(method='time') 是最简洁、健壮且语义明确的解决方案，兼具可读性与鲁棒性，远优于手动索引运算或嵌套 ffill() 操作。
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！
