本文介绍如何在 pandas 中对具有固定时间间隔（如每分钟递增）的缺失时间戳进行智能前向填充，避免简单 ffill 导致的重复值问题，推荐使用 interpolate() 方法实现线性时间插值。
本文介绍如何在 pandas 中对具有固定时间间隔（如每分钟递增）的缺失时间戳进行智能前向填充，避免简单 ffill 导致的重复值问题，推荐使用 interpolate() 方法实现线性时间插值。
在处理时间序列数据时，若原始数据中存在连续缺失的时间戳（如 N/A），而我们知道其实际规律为等间隔递增（例如每分钟 +1），直接使用 fillna(method='ffill') 会导致所有缺失位置被填充为同一个前驱值，无法体现时间演进。此时，ffill 并非最优解——真正需要的是基于已知步长的线性插值。
Pandas 提供了更精准的解决方案：Series.interpolate() 方法。它默认对数值型或 datetime 类型序列执行线性插值，能自动根据前后有效时间戳推算中间缺失值，完美适配等间隔场景。
首先确保 Timestamp 列为 datetime64[ns] 类型：
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]
})
# 转换为 datetime，自动将 None 解析为 NaT
df['Timestamp'] = pd.to_datetime(df['Timestamp'])
接着调用 interpolate()（默认 method='linear'，且对 datetime 类型自动按纳秒级线性插值）：
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
df['Timestamp'] = df['Timestamp'].interpolate() 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
✅ 关键优势：
- 自动识别时间戳的线性关系，支持任意长度的连续缺失；
- 无需手动计算偏移量或循环累加，代码简洁鲁棒；
- 兼容 NaT（Not a Time），比字符串 'N/A' 更符合 Pandas 时间处理规范（建议原始数据中直接用 None 或 pd.NaT 表示缺失）。
⚠️ 注意事项：
- 若时间间隔不严格等距（如偶有跳过2分钟），interpolate() 仍按线性比例分配，需结合业务校验；
- 对非 datetime 类型列（如纯数值 ID），请勿误用 interpolate()；
- 如需强制整数分钟对齐（避免浮点微秒误差），可在插值后链式调用 .dt.floor('T')（即向下取整到分钟）。
总之，面对“已知等间隔规律”的时间戳补全任务，interpolate() 是比手工 ffill + timedelta 更准确、更可扩展的标准解法。
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！
