本文介绍在使用 matplotlib 绘制长时间跨度（如整月）温度时间序列时，如何正确处理 nan 缺失值，避免因时间断点未显式标记而导致的异常连线问题。核心方案是通过 pd.date_range 和 reindex 对齐等间隔时间索引，确保所有缺失时段被显式填充为 nan。
本文介绍在使用 matplotlib 绘制长时间跨度（如整月）温度时间序列时，如何正确处理 nan 缺失值，避免因时间断点未显式标记而导致的异常连线问题。核心方案是通过 pd.date_range 和 reindex 对齐等间隔时间索引，确保所有缺失时段被显式填充为 nan。
Matplotlib 的 ax.plot() 默认将连续非 NaN 的数据点用直线连接，而完全不关心两点之间的真实时间间隔。这意味着：即使两段有效数据相隔数天（例如 10 月 20 日 23:00 和 10 月 25 日 00:00），只要中间没有插入 NaN，Matplotlib 就会画一条跨越空白期的“飞线”——这正是你在图中观察到“2023/10/09 处被连接，而 10/21–10/29 却未连接”的根本原因：后者恰好存在未对齐的索引断层，而前者因原始数据索引不规则，意外形成了“看似连续”的序列。
✅ 正确做法是：强制构建一个完整、等频、无间隙的时间索引（如每小时一次），再将原始数据重采样（reindex）到该索引上。这样，所有真实缺失的小时都会被显式标记为 NaN，Matplotlib 自然会在这些位置断开曲线。
以下是推荐的修复代码（集成到你原有逻辑中）：
import pandas as pd
import matplotlib.pyplot as plt
# 假设 month_year_data 已加载，且 index 为 DatetimeIndex
# Step 1: 构建覆盖全时段的等间隔小时索引
full_hourly_index = pd.date_range(
start=month_year_data.index.min(),
end=month_year_data.index.max(),
freq='H' # 每小时一个点
)
# Step 2: 重索引，自动用 NaN 填充缺失时间点
month_year_data_filled = month_year_data.reindex(full_hourly_index)
# Step 3: 绘图（其余部分保持不变，但使用 filled 数据）
fig, ax = plt.subplots(figsize=(20, 10))
zones = ['Far range', 'Mid range', 'Near range']
colors = ['blue', 'green', 'red']
for i, zone in enumerate(zones):
ax.plot(
month_year_data_filled.index,
month_year_data_filled[zone],
label=zone,
color=colors[i],
linestyle='-',
linewidth=1.2
)
ax.set_xlabel('Time')
ax.set_ylabel('Temperature (°C)')
ax.set_title(f'Temperature as a function of time by Hour - {month_name}-{year}')
plt.xticks(rotation=45)
ax.legend()
plt.tight_layout()
plt.show()
⚠️ 注意事项：
- 确保 month_year_data.index 是 DatetimeIndex 类型（可用 pd.to_datetime() 转换）；
- 若原始数据存在重复时间戳，reindex 前建议先去重或聚合（如 .groupby(level=0).mean()）；
- 频率 freq='H' 可根据实际采样粒度调整（如 '30T' 表示每30分钟）；
- 此方法不会插值补全数据，仅做“占位”，完全保留原始观测的真实性；
- 若内存受限（如多年每小时数据），可考虑分段处理，但务必保证每段首尾与全局索引对齐。
总结：时间序列可视化中的“意外连线”，本质是索引不规范导致的视觉误导。通过显式构造等频时间轴并严格 reindex，我们让缺失值真正“可见”，从而赋予 Matplotlib 正确断线的依据——这不是绕过问题，而是以数据工程的方式，让可视化忠实地反映数据的本质结构。
