如何按DataFrame原有时间频率填充缺失日期及数据？

我来帮你解决这个按原有时间频率补全DataFrame缺失数据的问题，结合你提供的参考数据，咱们一步步实现：

1. 数据预处理：转换为正确的格式 #

首先需要把你给出的表格数据转换成pandas DataFrame，并且将时间列设置为datetime类型的索引（因为原数据的结构是Depth为行、时间为列，所以需要先转置）：

import pandas as pd

# 构造你提供的参考数据
data = {
    '5/19/2022 18:51': [200.6, 200.6, 200.6, 200.7, 200.7, 200.8, 200.9, 200.9, 200.8, 200.8, 200.7, 200.6, 200.7, 200.8, 201.1],
    '5/19/2022 19:21': [200.6, 200.7, 200.6, 200.5, 200.6, 200.7, 200.9, 201, 200.9, 200.8, 200.7, 200.7, 200.8, 200.9, 201],
    '5/19/2022 19:51': [200.5, 200.6, 200.6, 200.7, 200.8, 200.8, 201, 201.1, 201.1, 201.1, 201.1, 200.9, 200.9, 201, 201.2],
    '5/19/2022 20:21': [200.7, 200.8, 200.9, 200.9, 200.9, 201, 201.1, 201.1, 201, 201, 200.9, 200.9, 200.9, 201.1, 201.3],
    '5/19/2022 20:51': [201.2, 201.3, 201.3, 201.2, 201.2, 201.1, 201, 201, 200.9, 200.9, 201, 201.1, 201.3, 201.5, 201.7],
    '5/19/2022 21:21': [201, 201.1, 201, 200.9, 200.9, 200.9, 201, 201.1, 200.9, 200.8, 200.8, 201, 201.2, 201.3, 201.4],
    '5/19/2022 21:51': [200.7, 200.8, 200.8, 200.8, 200.8, 200.7, 200.8, 200.9, 200.9, 201, 200.9, 200.9, 201, 201, 201.1],
    '5/25/2022 0:22': [171.7, 171.7, 171.6, 171.7, 172, 172.3, 172.5, 172.7, 172.8, 173, 173.1, 173.2, 173.3, 173.5, 173.7],
    '5/25/2022 0:52': [171.7, 171.9, 172.1, 172.2, 172.3, 172.4, 172.6, 172.7, 172.8, 172.9, 173, 173.1, 173.3, 173.3, 173.4],
    '5/25/2022 1:22': [171.4, 171.5, 171.5, 171.6, 171.8, 172, 172.2, 172.3, 172.3, 172.4, 172.6, 172.8, 173.1, 173.2, 173.3],
    '5/25/2022 1:52': [171, 171.2, 171.3, 171.3, 171.5, 171.6, 171.8, 172.1, 172.2, 172.2, 172.2, 172.3, 172.5, 172.8, 172.9],
    '5/25/2022 2:22': [170.7, 170.7, 170.7, 170.9, 171.1, 171.3, 171.6, 171.8, 171.9, 172.1, 172.2, 172.3, 172.4, 172.6, 172.8],
    '5/25/2022 2:52': [170.7, 170.9, 171, 171.1, 171.2, 171.4, 171.6, 171.7, 171.8, 171.8, 172, 172.1, 172.3, 172.5, 172.7]
}
depth_index = [600, 601, 602, 603, 604, 605, 606, 607, 608, 609, 610, 611, 612, 613, 614]

# 创建DataFrame并转置，让时间成为索引
df = pd.DataFrame(data, index=depth_index).T
# 将索引转换为datetime类型
df.index = pd.to_datetime(df.index, format='%m/%d/%Y %H:%M')

2. 识别连续时间块并生成对应频率的完整索引 #

核心思路是：先拆分出数据中连续的时间片段（比如5/19的时间段和5/25的时间段是两个独立块，中间的5/20-5/24是缺失段），然后对每个连续块使用自身的时间频率生成完整的时间序列，最后合并所有块的索引：

# 计算相邻时间点的间隔（转换为分钟）
time_diffs = df.index.to_series().diff().dt.total_seconds() / 60

# 标记间隔发生变化的位置，用来拆分时间块
change_mask = time_diffs != time_diffs.shift(1)
block_starts = df.index[change_mask].tolist()
# 把第一个时间点加入起始列表
block_starts.insert(0, df.index[0])

# 生成每个连续块的完整时间索引
full_index = pd.DatetimeIndex([])
for i in range(len(block_starts) - 1):
    start_time = block_starts[i]
    end_time = block_starts[i+1]
    # 获取当前块的时间频率（取相邻间隔的有效值）
    current_freq = int(time_diffs.loc[end_time])
    # 生成该块的完整时间序列
    block_index = pd.date_range(start=start_time, end=end_time, freq=f'{current_freq}min')
    full_index = full_index.union(block_index)

# 处理最后一个时间块
last_start = block_starts[-1]
last_end = df.index[-1]
last_freq = int(time_diffs.dropna().iloc[-1])
last_block_index = pd.date_range(start=last_start, end=last_end, freq=f'{last_freq}min')
full_index = full_index.union(last_block_index)

这个方法能自动适配数据中不同的时间频率（比如部分段是30分钟，部分是10分钟），不会强制统一成每日频率。

3. 重新索引并填充缺失值 #

最后用生成的完整索引重新对齐原DataFrame，按需填充NaN或0：

# 重新索引，缺失值默认填充为NaN
df_full = df.reindex(full_index)

# 如果需要填充为0，替换成下面的代码：
# df_full = df.reindex(full_index, fill_value=0)

这样处理后，原数据中缺失的时间点（比如5/19 22:21到5/25 0:22之间的所有30分钟间隔点）都会被补全，对应的值为你指定的NaN或0，同时完全保留了原数据的时间频率。

内容的提问来源于stack exchange，提问作者roudan