如何为Pandas DataFrame的所有类别补全完整日期序列

你当前用itertools.product的方法已经很扎实了，但确实有更贴合Pandas原生生态的简洁实现方式，不需要额外导入库，代码也更紧凑。下面分享两种常用的优化思路：

方法一：MultiIndex.from_product + reindex #

这个思路和你的核心逻辑一致，但直接用Pandas的多层索引API来生成完整的日期-类别组合，再通过重新索引补全缺失值：

# 构建包含所有日期和类别组合的完整多层索引
full_index = pd.MultiIndex.from_product(
    [
        pd.date_range(df['date'].min(), df['date'].max(), freq='D'),
        df['cat'].unique()
    ],
    names=['date', 'cat']
)

# 为原数据设置索引后，重新索引补全缺失项，最后恢复成普通列格式
df_out = df.set_index(['date', 'cat']).reindex(full_index).reset_index()

方法二：Pivot + Reindex + Melt #

如果更习惯宽表操作，可以先把数据透视成“日期为行，类别为列”的格式，补全日期后再转回长表：

# 透视成宽表：行=date，列=cat，值=value
pivoted_df = df.pivot(index='date', columns='cat', values='value')

# 生成完整日期序列，重新索引补全日期
full_dates = pd.date_range(df['date'].min(), df['date'].max(), freq='D')
pivoted_full = pivoted_df.reindex(full_dates)

# 转回长表格式
df_out = pivoted_full.reset_index().melt(
    id_vars='date', 
    var_name='cat', 
    value_name='value'
)

对比说明 #

• 两种方法都不需要额外导入itertools，完全依赖Pandas原生API，代码更简洁；
• MultiIndex.from_product的方式和你的原逻辑最接近，只是把生成组合的步骤换成了Pandas内置方法，可读性和维护性更好；
• 透视转长表的方法适合需要先对宽表做其他操作（比如填充缺失值）的场景，灵活性更高。

内容的提问来源于stack exchange，提问作者Jakub.Novotny