直接用scipy.interpolate.interp1d会报错因x、y首维长度不等，且它要求时间戳严格单调递增、无重复、无nan；须先去重排序、同步过滤nan再传入。
为什么直接用 scipy.interpolate.interp1d 会报 ValueError: x and y must have same first dimension
断续时间序列常表现为时间戳不等距、存在大段缺失（如传感器每小时采样但中间停机两天），甚至时间戳本身有重复或乱序。此时若强行把原始 t 和 y 传给 interp1d，它会拒绝处理——不是因为数据“脏”，而是它默认要求输入是严格单调、无重复、一一对应的数组。你得先做两件事：去重 + 排序 + 剔除 NaN 对应的时间点。
- 用
np.unique(t, return_index=True)获取首次出现的索引，再同步切片y - 用
np.argsort(t_clean)排序，确保t_clean单调递增 - 务必同步过滤掉
y_clean中的np.nan（否则插值仍会失败）
用 pandas.Series.interpolate 做局部线性填补时，limit_area="inside" 是什么作用？
默认的 .interpolate() 会把开头和结尾的 NaN 也一并填上（外推），但现实中，断续序列的首尾缺失往往代表设备未启动或已关机，不该凭空补值。这时 limit_area="inside" 就很关键：它只填补被有效数据“夹住”的那段缺失（即前后都有非 NaN 值的区间），跳过开头连续 NaN 和结尾连续 NaN。
- 配合
limit=24可限制单次最多填补 24 个点，防止单次长断点被误平滑 - 若原始时间索引是
DatetimeIndex，优先用method="time"而非"linear"，它按真实时间间隔加权，对不等距采样更鲁棒 - 注意：该方法不修改原
Series，记得赋值，例如s_filled = s.interpolate(method="time", limit_area="inside", limit=24)
用 statsmodels.tsa.seasonal.STL 做趋势+周期分解后，如何只平滑趋势项而不破坏原始周期性？
STL 擅长处理含明显季节性（如日周期、周周期）的断续序列，但它内部使用 LOESS 平滑，而 LOESS 默认要求等距网格。如果你直接把带空缺的原始序列喂给 STL，它会报 ValueError: x must be strictly increasing。正确做法是：先用前述 interpolate(method="time") 做轻量填补（仅用于 STL 输入），分解完再把原始缺失位置的平滑趋势值设回 NaN。
- 构造等距时间索引（如每 15 分钟一个点），用
reindex().interpolate(method="time")得到临时完整序列 - 对临时序列跑
STL(..., period=96)（日周期对应 96 个 15 分钟点） - 提取
result.trend后，用原始时间戳.reindex()回填，自动对齐并还原 NaN 位置 - 这样得到的趋势曲线既连续可导，又不污染原始缺失语义
用 sklearn.gaussian_process.GaussianProcessRegressor 做贝叶斯平滑时，为什么训练集不能包含太多连续空缺段？
高斯过程依赖协方差矩阵的逆运算，而长段空缺会导致时间跨度剧增，使核函数（如 RBF）产生的协方差矩阵接近奇异，求逆失败或数值不稳定。更隐蔽的问题是：模型会把大段缺失解释为“信号方差骤降”，反而在缺口边缘生成不自然的收缩效应。
- 实操中，建议只用连续非空片段训练，例如用
np.split(y, np.where(np.diff(np.isnan(y)))[0]+1)切出所有有效子段 - 每个子段单独拟合 GPR，预测时仅在该段内插值，段间保持空白
- 核函数选
WhiteKernel(noise_level=0.1) + RBF(length_scale=1.0)比纯RBF更稳，白噪声项能吸收测量抖动，缓解病态
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！
