本文介绍如何利用 Pandas 的 interpolate() 方法，基于已知等间隔时间戳（如每分钟递增）智能推算并填充缺失的 Timestamp 值，避免手动前向填充加偏移的逻辑错误。
本文介绍如何利用 pandas 的 `interpolate()` 方法，基于已知等间隔时间戳（如每分钟递增）智能推算并填充缺失的 timestamp 值，避免手动前向填充加偏移的逻辑错误。
在处理时间序列数据时，若 Timestamp 列存在连续缺失值（如 NaN 或 'N/A'），且已知其为等时间步长递增（例如每分钟 +1 分钟），直接使用 ffill() + + Timedelta 会失败——因为 fillna(method='ffill') 在连续缺失位置返回的是同一个前向值，而非逐行递增，导致所有填充结果相同。
正确做法是将 Timestamp 转换为数值型时间戳（datetime64[ns]），再调用 interpolate(method='linear')：Pandas 会自动将时间转换为纳秒级整数进行线性插值，从而精准还原等间隔时间点。
✅ 正确实现步骤如下：
import pandas as pd
# 构建示例数据（注意：N/A 需转为 NaN）
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（自动将 None/N/A 视为 NaT）
df['Timestamp'] = pd.to_datetime(df['Timestamp'], format='%d-%m-%Y %H:%M', errors='coerce')
# 2. 使用线性插值（自动按时间轴等距推算）
df['Timestamp'] = df['Timestamp'].interpolate(method='time')
# 3. 可选：格式化输出（保持可读性）
df['Timestamp'] = df['Timestamp'].dt.strftime('%Y-%m-%d %H:%M:%S')
print(df)
输出结果：
Timestamp record_id 0 2024-01-04 00:00:00 1 1 2024-01-04 00:01:00 2 2 2024-01-04 00:02:00 3 3 2024-01-04 00:03:00 4 4 2024-01-04 00:04:00 5 5 2024-01-04 00:05:00 6 6 2024-01-04 00:06:00 7
⚠️ 注意事项：
- interpolate(method='time') 是关键：它基于索引或时间值本身做时间加权线性插值，比默认 'linear' 更鲁棒（尤其当索引非等距时）；
- 确保 Timestamp 列已成功转为 datetime64[ns] 类型，否则插值会报错或失效；
- 若原始数据含非法时间字符串（如 'N/A'），务必用 errors='coerce' 参数确保转为 NaT；
- 该方法天然支持任意等间隔（秒、分钟、小时），无需硬编码 Timedelta，扩展性强且不易出错。
总结：面对规律性时间缺失，优先选择 interpolate(method='time')，而非组合 ffill + 手动增量——既简洁、准确，又具备良好的可维护性和泛化能力。
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！
