如何使用Pandas填充数据集中缺失的部门-日期行并补零

嗨，这个需求在Pandas里其实有好几种简洁的实现方式，我来给你一步步讲清楚：

首先先准备好你的示例数据，方便我们测试：

import pandas as pd

# 原始数据集
data = {
    'Dept': ['dept1', 'dept1', 'dept2', 'dept3', 'dept2', 'dept3'],
    'Date': ['2020-01-01', '2020-01-03', '2020-01-03', '2020-01-03', '2020-01-04', '2020-01-04'],
    'Number': [12, 34, 56, 78, 11, 12]
}
df = pd.DataFrame(data)

方法一：MultiIndex + reindex（高效直接） #

这种方法的核心是生成部门和日期的笛卡尔积作为索引，再对齐原始数据填充缺失值：

# 提取所有唯一的部门和日期
unique_depts = df['Dept'].unique()
unique_dates = df['Date'].unique()

# 创建部门与日期的笛卡尔积索引（MultiIndex）
full_index = pd.MultiIndex.from_product(
    [unique_depts, unique_dates], 
    names=['Dept', 'Date']
)

# 重新索引并填充缺失值为0，最后重置索引变回普通列
df_complete = df.set_index(['Dept', 'Date'])\
                .reindex(full_index, fill_value=0)\
                .reset_index()

方法二：透视表（pivot_table）+ 宽表转长表（melt） #

如果你习惯用透视表的思路，这种方法也很直观：

# 生成透视表，自动补全缺失的部门-日期对，用0填充空值
pivot_df = df.pivot_table(
    index='Date', 
    columns='Dept', 
    values='Number', 
    fill_value=0
)

# 把宽格式的透视表转回长格式，和原始数据结构一致
df_complete = pivot_df.reset_index()\
                      .melt(id_vars='Date', var_name='Dept', value_name='Number')

# 可选：按日期和部门排序，让结果更规整
df_complete = df_complete.sort_values(['Date', 'Dept']).reset_index(drop=True)

方法三：笛卡尔积数据框 + 左连接（merge） #

这种方法逻辑最直白，先生成所有可能的部门-日期组合，再和原始数据做左连接：

# 生成所有部门-日期的笛卡尔积组合
full_combinations = pd.DataFrame(
    [(dept, date) for dept in unique_depts for date in unique_dates],
    columns=['Dept', 'Date']
)

# 左连接原始数据，缺失的Number列填充为0
df_complete = pd.merge(
    full_combinations, 
    df, 
    on=['Dept', 'Date'], 
    how='left'
).fillna({'Number': 0})

# 可选：排序整理结果
df_complete = df_complete.sort_values(['Date', 'Dept']).reset_index(drop=True)

这三种方法都能实现你要的效果，你可以根据自己的习惯和数据规模选择——reindex的方式在大数据集上效率更高，pivot_table适合熟悉报表逻辑的用户，merge的方式最容易理解。

内容的提问来源于stack exchange，提问作者Niuya