咱们一步步来搞定这个需求，核心思路是先构建覆盖全时段的完整时间轴，再利用「星期几+小时」的映射关系，把预先生成的补全数据精准填充到缺失区间里。

1. 准备工作：导入库并加载数据 #

首先确保你已经导入Pandas，然后把三组数据加载成DataFrame。假设你已经有了：

• df_feb：2019-02-07至2019-02-17的小时级数据
• df_mar：2019-03-01至2019-03-11的小时级数据
• fill_df：按day_of_week（星期几，0-6）和hour（小时，0-23）分组的补全数据

import pandas as pd

# 加载数据（这里假设你从文件读取，比如csv格式）
df_feb = pd.read_csv("feb_data.csv", parse_dates=["t"], index_col="t")
df_mar = pd.read_csv("mar_data.csv", parse_dates=["t"], index_col="t")
fill_df = pd.read_csv("fill_data.csv")

2. 合并已有数据并构建完整时间轴 #

先把二月和三月的数据合并，然后生成包含缺失时段的完整小时级时间序列：

# 合并已有数据
combined_df = pd.concat([df_feb, df_mar])

# 生成覆盖全时段的小时级时间索引（保持UTC时区和原始数据一致）
start_time = df_feb.index.min()
end_time = df_mar.index.max()
full_time_index = pd.date_range(start=start_time, end=end_time, freq="H", tz="UTC")

# 将合并后的数据对齐到完整时间轴，缺失值会自动标记为NaN
full_df = combined_df.reindex(full_time_index)

3. 处理补全数据：设置复合索引以便快速匹配 #

把补全数据的day_of_week和hour设为复合索引，这样后续可以通过时间点的星期几和小时快速定位对应补全值：

# 把补全数据设置为(day_of_week, hour)的复合索引
fill_df = fill_df.set_index(["day_of_week", "hour"])

4. 为缺失时段匹配补全数据并填充 #

遍历完整数据的缺失行，提取每个时间点的星期几（Pandas中.dayofweek返回0=周一，6=周日，要和你的补全数据编号一致）和小时，然后从补全数据中取值填充：

# 筛选出所有缺失数据的时间索引
missing_mask = full_df.isna().any(axis=1)
missing_times = full_df[missing_mask].index

# 逐个填充缺失值
for time in missing_times:
    day_of_week = time.dayofweek
    hour = time.hour
    # 从补全数据中取出对应分组的值
    fill_values = fill_df.loc[(day_of_week, hour)]
    # 填充到完整数据中
    full_df.loc[time, ["v_amm", "v_alc", "v_no2"]] = fill_values

5. 验证填充结果 #

最后可以检查一下缺失时段的填充情况，确保数据正确：

# 查看2019-02-17 22:00到2019-02-28 23:00的填充数据
print(full_df.loc["2019-02-17 22:00":"2019-02-28 23:00"])

注意事项 #

• 确保补全数据的day_of_week编号和Pandas的.dayofweek规则一致（周一=0，周日=6），如果不一致，需要提前做映射转换。
• 所有时间序列要保持时区统一（这里用UTC和原始数据的+00:00匹配），避免时区混乱导致的错误。

内容的提问来源于stack exchange，提问作者Joey