如何用上下行均值填充DataFrame中0值行？动态处理多行0值

核心解决方案 #

利用Pandas的interpolate()方法结合值替换，可快速实现单个或连续多个0值的动态填充，填充逻辑为取前后最近非0值的线性插值（单个0时即为前后值的均值）。

步骤示例 #

1. 构造示例DataFrame

import pandas as pd

# 基础示例数据
data = {
    'ds': ['2023-07-01 17:00:00', '2023-07-01 18:00:00', '2023-07-01 19:00:00'],
    'value': [100, 0, 300]
}
df = pd.DataFrame(data)
# 可选：将ds列转为时间类型，规范时间序列格式
df['ds'] = pd.to_datetime(df['ds'])

2. 填充0值

# 将value列的0替换为缺失值NA
df['value'] = df['value'].replace(0, pd.NA)
# 用线性插值填充缺失值，自动适配单个/连续多个0的场景
df['value'] = df['value'].interpolate(method='linear')

执行后得到的结果：

ds  value
0 2023-07-01 17:00:00  100.0
1 2023-07-01 18:00:00  200.0
2 2023-07-01 19:00:00  300.0

处理连续多个0的场景 #

如果存在连续多个0值，该方法会自动将前后非0值的差值均匀分配到每个缺失位置，示例如下：

# 含连续3个0的示例数据
data_multi = {
    'ds': ['2023-07-01 17:00:00', '2023-07-01 18:00:00', '2023-07-01 19:00:00', '2023-07-01 20:00:00', '2023-07-01 21:00:00'],
    'value': [100, 0, 0, 0, 500]
}
df_multi = pd.DataFrame(data_multi)
df_multi['ds'] = pd.to_datetime(df_multi['ds'])

# 同样的填充逻辑
df_multi['value'] = df_multi['value'].replace(0, pd.NA).interpolate(method='linear')

处理后结果：

ds  value
0 2023-07-01 17:00:00  100.0
1 2023-07-01 18:00:00  200.0
2 2023-07-01 19:00:00  300.0
3 2023-07-01 20:00:00  400.0
4 2023-07-01 21:00:00  500.0

补充说明 #

• 如果希望保留原DataFrame不被修改，可以先复制再处理：df_filled = df.copy()后执行填充逻辑。
• 若你的数据是严格按时间间隔排序的时间序列，也可以使用method='time'进行插值，效果与linear一致，但会更贴合时间维度的逻辑。

内容的提问来源于stack exchange，提问作者SM079