Pandas：如何为所有外层索引补全统一的内层时间戳索引行

你当前的reindex方法无效，核心原因是原数据集的索引是多级索引（id, ts），但你仅传入了单级的timestamps列表。Pandas只会尝试匹配索引中的ts级别，不会自动为每个id生成所有timestamps的组合，因此结果行数和原数据一致。

要实现每个id都拥有所有统一的timestamps，核心是生成id与timestamps的笛卡尔积索引，再用这个完整索引重新对齐原数据。以下是两种常用方法：

方法1：生成完整多级索引后Reindex #

先提取所有唯一的id和timestamps，通过MultiIndex.from_product生成所有可能的(id, ts)组合，再用这个索引对原DataFrame重索引：

import numpy as np
import pandas as pd

# 原数据构建
df = pd.DataFrame(columns = ["id", "ts", "value"])
df.loc[0,:] = [1, pd.Timestamp("2022-01-01 00:00:00"), 1]
df.loc[1,:] = [1, pd.Timestamp("2022-01-01 00:00:01"), 2]
df.loc[2,:] = [2, pd.Timestamp("2022-01-01 00:00:00"), 3]
df = df.set_index(["id", "ts"])

# 提取所有唯一id和timestamps
unique_ids = df.index.get_level_values("id").unique()
all_timestamps = df.index.get_level_values("ts").unique().sort_values()

# 生成完整的多级索引
full_index = pd.MultiIndex.from_product(
    [unique_ids, all_timestamps],
    names=["id", "ts"]
)

# 重索引
df2 = df.reindex(full_index, fill_value=np.nan)

执行后df2会有4行：id=1的两个timestamps记录，id=2的两个timestamps记录（其中id=2的00:00:01对应的value为NaN）。

方法2：Unstack + Stack 转换 #

通过unstack将ts级别转为列，此时每个id会自动填充所有timestamps列（缺失值为NaN），再用stack将列转回索引级别，实现更简洁：

# 基于原df操作
df2 = df.unstack(level="ts").stack(dropna=False)

这种方法的结果和方法1完全一致，适合快速实现需求。

如果后续需要按固定频率重采样（比如每秒、每分钟），可以先对每个id分组后使用resample，自动生成对应频率的完整时间序列：

df2 = df.groupby("id").resample("S", level="ts").asfreq()

这里的"S"代表按秒重采样，会为每个id生成每秒的记录，缺失值自动填充NaN。

内容的提问来源于stack exchange，提问作者Brian Burrows