如何基于高精度时间序列提升低精度序列的时间精度？

我们有两个按asof合并的时间序列：一个是微/纳秒级高精度时钟序列（ts_us），另一个是仅毫秒级精度的序列（ts_ms）。已知两台时钟的同步精度约10微秒，时间漂移极低，需要填补ts_ms的缺失值，将其精度提升至与ts_us一致的近似微秒级。

示例数据 #

模拟初始合并DataFrame的代码 #

import pandas as pd 
import time

data = []
for x in range(100):
    ts = {'ts_us': time.time()}
    
    if x % 3 == 0:
        ts['ts_ms'] = round(time.time(), 3)
        
    data.append(ts.copy())
    time.sleep(1e-6)
    
df = pd.DataFrame(data)

方案对比与实现 #

1. 简单线性插值（pandas.interpolate） #

df.interpolate(method='linear')是最直接的方案，因为已知时间漂移极低，线性插值的误差会控制在10微秒的同步精度范围内，完全满足需求。实现代码：

# 基于ts_us的时间轴做线性插值，填充前后缺失值
df['ts_ms_interpolated'] = df['ts_ms'].interpolate(method='linear', limit_direction='both')

优势：计算快、实现简单，无需额外依赖。

2. 时钟漂移线性拟合（更精准的确定性方案） #

如果想进一步消除两台时钟间的微小漂移，可以用有效数据点拟合线性模型，再预测缺失值：

import numpy as np
from sklearn.linear_model import LinearRegression

# 提取有有效值的行
valid_mask = df['ts_ms'].notna()
X = df.loc[valid_mask, 'ts_us'].values.reshape(-1, 1)
y = df.loc[valid_mask, 'ts_ms'].values

# 拟合线性模型：ts_ms = a*ts_us + b
model = LinearRegression()
model.fit(X, y)

# 预测所有缺失值
df['ts_ms_drift_corrected'] = model.predict(df['ts_us'].values.reshape(-1, 1))

这种方法考虑了时钟间的系统漂移，比简单线性插值精度更高，尤其在数据跨度较大时效果更明显。

3. 概率性漂移估算（贝叶斯方法） #

如果需要量化预测的不确定性，可以用贝叶斯线性回归建模，同时给出预测值的置信区间：

import statsmodels.api as sm

# 给特征添加截距项
X_sm = sm.add_constant(X)
# 贝叶斯线性回归拟合
model_bayes = sm.BayesGLS(y, X_sm)
results = model_bayes.fit()

# 预测所有值及置信区间
df['ts_ms_bayes_pred'] = results.predict(sm.add_constant(df['ts_us'].values.reshape(-1, 1)))
# 可获取模型参数的置信区间
param_conf_int = results.conf_int()

这种方案适合需要明确预测误差范围的场景，符合你提到的“概率性时间漂移估算”需求。

总结 #

• 追求简单高效：线性插值完全够用，误差在同步精度范围内。
• 追求更高精度：时钟漂移线性拟合是最优选择，平衡了精度与计算成本。
• 需要概率性结果：贝叶斯线性回归能提供预测值的不确定性量化。

内容的提问来源于stack exchange，提问作者PavelP