fillna()对时序缺失数据常失效，因默认不识别时间顺序；须先确保索引为排序后的DatetimeIndex，再用asfreq()对齐频率，配合interpolate(method='time')或ffill等填充才准确。
为什么 fillna() 对时序缺失数据经常失效
因为 fillna() 默认按列逐值填充，不理解时间顺序，也不会考虑前后时间点的业务逻辑。比如用 method='ffill' 填充，遇到连续多天缺失，就只是把上一个非空值机械复制过去，无法反映趋势或周期性。更关键的是：如果索引不是 DatetimeIndex，ffill/bfill 仍会按行号而非时间先后执行，结果完全错位。
必须先确保索引是 DatetimeIndex 并已排序
这是所有时序填充操作的前提。Pandas 的时间感知方法（如 asfreq()、resample()）只在正确的时间索引下才可靠。
- 检查索引类型：
type(df.index)应返回pandas.core.indexes.datetimes.DatetimeIndex - 如果不是，用
df.index = pd.to_datetime(df.index)转换（注意传入列名或指定errors='coerce'处理非法日期） - 强制升序并去重：
df = df.sort_index().drop_duplicates()，否则asfreq()可能报ValueError: cannot reindex from a duplicate axis
用 asfreq() + fillna() 组合实现等频对齐填充
asfreq() 是时序填充的核心入口——它先把数据“拉”到目标频率（如每日），再暴露缺失位置，此时再填才真正基于时间间隔。
- 先调用
df.asfreq('D')将数据转为日频，自动插入NaN占位缺失日期 - 再用
fillna(method='ffill', limit=7)向前填充最多7天（避免跨月/跨季污染） - 若需插值，改用
interpolate(method='time')，它会按真实时间差加权，比method='linear'更准 - 注意：
interpolate(method='time')要求索引为DatetimeIndex且无重复值，否则静默退化为线性插值
df_daily = df.asfreq('D')
df_filled = df_daily.interpolate(method='time').fillna(method='ffill', limit=7)
处理周期性数据（如每小时温度）要慎用线性插值
温度、电量等有明显日周期的数据，直接 interpolate(method='time') 会在凌晨和正午之间画一条直线，物理意义错误。这时应优先考虑：
- 用
resample('H').mean()重采样后填充，利用原始粒度信息 - 对齐到固定周期后，用
groupby(df.index.hour).transform('mean')填充均值（适合稳定周期模式） - 避免用
method='polynomial'或高阶插值——时序噪声会让拟合结果剧烈震荡
真正难的不是语法，而是判断缺失是随机丢失（可用插值），还是系统性断采（该标记为异常而非填充）。
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！
