如何用Pandas将非完整时间序列转换为固定间隔完整序列

• 第一步：明确核心规则
  先确定两个关键规则：

  • 目标固定时间间隔（比如每日、每周，根据业务需求选择）
  • 原数据中重复时间戳的处理逻辑（示例里的累计净利润，建议保留同一时间戳的最后一条记录，因为通常是后续更新值；其他场景可按需选择求和/平均）

• 第二步：预处理原数据
  针对你提供的示例，先对重复时间戳做去重处理，按时间戳分组后保留每组最后一条，得到干净的关键时间戳数据：

  Date/Time,Cmltv Net Profit
  2013-05-28 00:00:00,-14000.0
  2013-05-30 00:00:00,-24200.0
  2013-06-07 00:00:00,-11200.0
  2013-06-24 00:00:00,-13800.0
  

• 第三步：生成完整时间序列
  以原数据的最早时间（2013-05-28）和最晚时间（2013-06-24）为起止，按设定的固定间隔生成完整的时间戳列表。比如选每日间隔，就生成该时间段内的所有日期。

• 第四步：对齐填充缺失值
  将预处理后的原数据与完整时间序列对齐，原数据存在的时间戳保留原值，缺失的时间戳按业务逻辑填充：

  • 累计净利润这类数据优先用前向填充（缺失日期沿用前一个有记录的数值，因为没有新更新时累计值不会变化）
  • 特殊场景可选择后向填充或固定值填充

• 工具实现示例（Python Pandas）
  用代码快速完成上述流程：

  import pandas as pd
  
  # 读取数据并解析时间戳
  df = pd.read_csv('data.csv', parse_dates=['Date/Time'], index_col='Date/Time')
  # 去重：同一时间戳保留最后一条记录
  df = df.groupby(df.index).last()
  # 生成每日完整时间序列
  full_time_index = pd.date_range(start=df.index.min(), end=df.index.max(), freq='D')
  # 对齐数据并前向填充缺失值
  full_series = df.reindex(full_time_index).ffill()
  # 转换为原始格式输出
  print(full_series.reset_index().rename(columns={'index': 'Date/Time'}))
  

内容的提问来源于stack exchange，提问作者ben balaj