正确补全时间序列需先用asfreq()或reindex()构造完整datetimeindex，再用interpolate(method='time')按真实时间差插值，并配合limit_area='inside'和limit参数控制插值范围。
缺失时间点直接用 resample() 会丢数据
很多人一上来就用 resample('D').mean() 或类似操作，结果发现原始缺失的日期根本没出现——resample() 只对已有数据分组聚合，不会主动补全新时间点。真正要“补全”，得先构造完整的时间索引，再对齐。
正确路径是：确保 DataFrame 有 DatetimeIndex → 用 asfreq() 或 reindex() 拉出完整时间轴 → 再插值。
- 优先用
asfreq('D')（比reindex()更简洁，自动填充NaN） - 如果原始索引不是
DatetimeIndex，必须先转：df.index = pd.to_datetime(df.index) -
asfreq()不会改变原始值，只补齐空档；后续插值才填数字
interpolate() 默认线性插值不适用于时间间隔不均
直接调 df.interpolate() 很容易踩坑：它默认按行号（整数位置）插值，不是按真实时间距离。比如 2023-01-01、2023-01-03、2023-01-10 缺了中间两天，线性插值会把 01-03 和 01-10 当作相邻行，等距分配，结果偏差大。
必须显式指定时间感知插值：
- 用
df.interpolate(method='time')—— 它会把索引转成纳秒级整数，按真实时间差加权 - 或更明确地写
df.interpolate(method='index')（前提是索引是datetime64类型） - 避免用
method='linear'，除非你确认索引是等间隔且已排序
高频数据补全要小心 limit_area 参数
传感器或日志类时间序列常有连续多天缺失，比如断采三天后恢复。若直接 interpolate(method='time')，可能把第 10 天的值一路插到第 1 天，完全失真。
这时必须限制插值作用范围：
-
df.interpolate(method='time', limit_area='inside')：只插中间的空段，两端不延展 -
df.interpolate(method='time', limit=2)：最多连续插 2 个缺失值（即补 2 天） - 组合使用更稳妥：
limit_area='inside', limit=3，既防外推又控长度
注意：limit 是按缺失单元格数算的，不是按天数——如果一行有多个列，每个列单独计数。
非等频时间序列建议先 asfreq() 再插值，别用 resample().interpolate()
resample('H').interpolate() 看似方便，但本质是先聚合（默认取左闭区间均值）再插值，会模糊原始采样点。比如原始有 09:15 和 10:45 两条记录，resample('H') 会把它们都归到 09:00–10:00 和 10:00–11:00 两个桶里，再插值就脱离了真实时间戳。
正确做法始终是保真优先：
- 用
df.asfreq('15T')补齐 15 分钟粒度的索引（空位填NaN） - 再用
.interpolate(method='time')填值 - 如果原始频率不规则（如秒级+毫秒级混杂），先
sort_index()+drop_duplicates(keep='last')去重去乱
时间序列插值最易被忽略的，其实是索引是否严格单调且无重复——哪怕只差 1 纳秒，method='time' 也可能报 ValueError: Index cannot contain duplicate values。
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！
