本文介绍如何利用 Pandas 的 interpolate() 方法，对具有固定时间间隔（如每分钟递增）的缺失时间戳进行精准、自动化的线性填充，避免手动循环或错误的 ffill 链式操作。
本文介绍如何利用 pandas 的 `interpolate()` 方法，对具有固定时间间隔（如每分钟递增）的缺失时间戳进行精准、自动化的线性填充，避免手动循环或错误的 `ffill` 链式操作。
在处理时间序列数据时，常遇到因传感器故障、日志遗漏等原因导致的时间戳缺失问题。当已知时间戳严格按固定间隔（例如每分钟一条）递增时，简单使用 fillna(method='ffill') 并叠加 + pd.Timedelta(minutes=1) 无法正确处理连续多个缺失值——因为 ffill 对每个缺失位置都填入同一个前值，再统一加 1 分钟，会导致所有缺失行得到相同时间戳，而非递增序列。
正确解法是将时间戳列转为 datetime64 类型后，调用 Series.interpolate(method='time')（默认即为 'time'），它会根据前后非空时间戳的绝对时间差与索引位置，自动按等时间间隔线性插值，完美适配等步长场景。
以下是完整实现示例：
import pandas as pd
# 构造原始数据（含 N/A）
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]
})
# 步骤1：转换为 datetime（自动处理缺失值为 NaT）
df['Timestamp'] = pd.to_datetime(df['Timestamp'], errors='coerce')
# 步骤2：时间维度插值（关键！）
df['Timestamp'] = df['Timestamp'].interpolate(method='time')
# 输出结果（时间戳已自动补全为 00:04 和 00:05）
print(df)
输出：
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：
- 必须确保 Timestamp 列已转为 datetime64 类型，否则 interpolate() 无法识别时间语义；
- method='time' 要求索引为数值型（默认整数索引即可），若使用自定义 DatetimeIndex，需确保其单调递增；
- 若首尾存在连续缺失（如开头或结尾多行为空），interpolate() 默认不填充边界外区域，此时可结合 limit_area='inside' 或先用 ffill/bfill 预处理；
- 对非等间隔数据，该方法仍适用，但会按实际时间距离做比例插值，而非简单步进。
综上，interpolate(method='time') 是处理规则时间序列缺失值的首选方案——简洁、健壮、语义明确，远优于手动计算偏移量的易错逻辑。
