使用Pandas按对应半小时时段的均值填充DataFrame中的NaN值

当然可以实现这个需求啦！这是一种非常合理的时间序列缺失值填充方式，用对应半小时时段的整体均值来补全NaN，能很好保留数据的时段特征。下面是具体的实现步骤：

步骤1：确保时间列格式正确并提取半小时时段 #

首先要保证StartTime是datetime类型（如果原数据还没转换的话），然后提取出对应的半小时时段（比如00:00:00、00:30:00这类时间值）：

# 转换StartTime为datetime类型（如果原数据不是的话）
Data['StartTime'] = pd.to_datetime(Data['StartTime'])
# 提取半小时时段列
Data['HH'] = Data['StartTime'].dt.time

步骤2：计算每个半小时时段的均值 #

接下来计算每个HH对应的Values列的均值，注意你之前的代码里groupby的列名写错了，应该是['Values']而非['Data']：

# 按HH分组计算均值
hh_means = Data.groupby('HH')['Values'].mean().reset_index()

这一步会得到每个半小时时段的均值表，和你展示的结果一致。

步骤3：用时段均值填充NaN值 #

这里给你两种简单的实现方式：

方法一：使用map快速映射填充

这种方式代码更简洁，直接把HH列映射到对应的均值来补全NaN：

# 把HH列映射到对应均值，填充Values的NaN
Data['Values'] = Data['Values'].fillna(Data['HH'].map(hh_means.set_index('HH')['Values']))

方法二：使用merge合并填充

如果你需要更清晰的中间过程，可以用合并的方式：

# 合并均值表到原数据
Data = Data.merge(hh_means, on='HH', suffixes=('', '_mean'))
# 用均值填充NaN
Data['Values'] = Data['Values'].fillna(Data['Values_mean'])
# 删掉临时的均值列（不需要的话）
Data = Data.drop(columns='Values_mean')

验证结果 #

最后可以检查一下NaN是否都被填充完成：

print(Data.isna().sum().sum())

正常情况下输出应该是0，说明所有NaN都被成功替换了。

备注：内容来源于stack exchange，提问作者K.Best