必须在dify中通过自定义python节点实现时间序列清洗：新建clean_ts.py定义process_timeseries函数，强制转换时间列为'timestamp'并执行resample插值；注册时指定函数名、启用沙箱；工作流需按文件上传→python节点（映射{"df": {{file.content}}}）→数据存储→条件分支告警顺序配置；调试须验证列名和插值结果。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要在Dify工作流中处理原始时间序列数据，比如传感器采集的带缺失值、异常波动、时区混乱的CSV文件，直接用内置节点无法完成多步逻辑判断和插值计算，必须引入自定义Python节点实现动态清洗逻辑。
准备可执行的清洗函数
新建一个Python文件（如clean_ts.py），定义主函数process_timeseries，接收字典参数data（含df键，值为pandas DataFrame）并返回清洗后的DataFrame字典。函数内必须包含pd.to_datetime强制转换时间列、df.resample('1H').mean().interpolate()等不可跳过的步骤。
这一步不能省略——Dify的Python节点只认名为main或显式指定的入口函数，且输入输出必须是字典结构，否则节点会报TypeError: object is not subscriptable。
在Dify中注册Python节点
进入Dify控制台 → 工作流编辑页 → 点击「+ 添加节点」→ 选择「Python代码」→ 粘贴clean_ts.py全部内容到代码框。
在「函数名」栏填写process_timeseries，确保与Python文件中定义的函数名完全一致，包括大小写。Dify不会自动检测函数，填错会导致节点始终返回空结果。
勾选「启用沙箱环境」，不勾选则Python节点无法调用pandas、numpy等第三方库。
构建端到端清洗工作流
第一步：拖入「文件上传」节点，设置「支持格式」为CSV，开启「自动解析为表格」；
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
第二步：连接「Python代码」节点，将上一节点的content字段映射为Python节点的data输入，映射方式为{"df": {{file.content}}}；
第三步：在Python节点后接「数据存储」节点，把Python节点输出的result.df存入指定数据集；
第四步：添加「条件分支」节点，判断{{python.result.df.shape[0]}}是否小于原始行数，若成立说明存在丢弃行，触发告警通知。
调试与验证关键点
方法一：在Python代码末尾插入print(df.head().to_dict())，运行后在Dify日志中查看实际传入数据结构，确认时间列名是否为timestamp而非time或date；
方法二：上传仅含3行的测试CSV（如time,value\n2023-01-01 00:00,10\n2023-01-01 01:00,NaN\n2023-01-01 02:00,15），观察Python节点输出是否生成填充后的中间行；
【必须重命名时间列为'timestamp'】，否则pd.to_datetime(df['timestamp'])会抛出KeyError，而Dify日志默认不显示完整堆栈，容易误判为数据为空。
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！
