为何Pandas第二种线性插值方法能捕获时间序列的小时与周季节性？

方法1直接线性插值的局限 #

直接对NUMBER_OF_VEHICLES字段执行Pandas线性插值，本质是仅利用缺失值相邻的两个时间点的原始数值做线性拟合。这种方式完全忽略了数据固有的小时、周季节性规律——比如工作日早高峰车流量陡增、周末午间流量偏低这类模式，只会在前后两个点之间生成一条平滑直线，自然无法贴合季节性波动。

方法2的核心逻辑：注入季节性先验信息 #

方法2的关键是提前给数据集加入了对应时段的历史均值特征，相当于给插值过程提供了季节性的“先验参考”：

• 提取HOUR、DAYOFWEEK特征并计算均值，其实是把历史上所有相同小时+相同星期几的车流量平均出来，这个均值本身就浓缩了该时段的季节性规律（比如周一早7点的均值就是所有周一早7点的典型流量水平）。
• 后续执行线性插值时，不再是单纯在缺失值前后的原始数据间画直线，而是结合了该时段的典型均值来调整填充方向和幅度。比如缺失的是周末下午的流量，插值会向周末下午的历史均值靠拢，而非硬套工作日的线性趋势，最终结果自然能贴合小时和周的季节性特征。

举个具象例子：假设缺失的是周一早7点的数据，前一个点是周一6点（流量100），后一个点是周一8点（流量500）。直接线性插值会填充300；但如果周一早7点的历史均值是450，加入这个特征后，插值会更贴近450这个符合早高峰规律的数值，而非单纯的中间值。

内容的提问来源于stack exchange，提问作者Joe