使用Pandas将多索引月日时间序列扩展为10年每日单索引数据

我有一个以月份和日期为多层索引的时间序列DataFrame，包含A、B、C三列，数据结构如下：

A   B   C
1  1  21  32   4
   2   4   2  23
   3  12   9  10
   4   1  56  37
...
   30 63   1  27
   31 32   2  32
...
12 1   2   3  23
   2  23   1  12
   3  32   3  23
...
   31 23   2  32

需要将其转换为单索引的每日时间序列，把原数据映射到指定年份范围（示例为2017-2022年）的对应日期，生成包含完整年月日的DataFrame，期望输出格式如下：

A   B   C
01/01/2017  21  32   4
...
31/12/2017  23   2  32
...
01/01/2022  21  32   4
...
31/12/2022  23   2  32

步骤1：拆解原多层索引并生成月日标识 #

先将原DataFrame的多层索引（月、日）转为列，再组合成统一格式的MM-DD字符串，用于后续匹配：

import pandas as pd

# 假设原数据存储在变量df中
df_reset = df.reset_index()
# 生成两位格式的月-日字符串（如1月1日转为"01-01"）
df_reset['month_day'] = df_reset['level_0'].astype(str).str.zfill(2) + '-' + df_reset['level_1'].astype(str).str.zfill(2)
# 移除多余的索引列
df_reset = df_reset.drop(['level_0', 'level_1'], axis=1)

步骤2：生成目标年份的完整日期序列 #

指定需要扩展的年份区间，生成该区间内的所有每日日期，并提取每个日期的MM-DD标识：

# 设置目标年份范围
start_year = 2017
end_year = 2022
# 生成完整日期序列
full_dates = pd.date_range(start=f"{start_year}-01-01", end=f"{end_year}-12-31", freq="D")
date_df = pd.DataFrame({"full_date": full_dates})
# 提取每个日期的月日标识
date_df['month_day'] = date_df['full_date'].dt.strftime("%m-%d")

步骤3：合并数据并设置最终索引 #

通过month_day字段将原数据与完整日期序列合并，然后设置完整日期为索引，整理输出格式：

# 合并数据，保证每个日期都能匹配到对应月日的原数据
result = pd.merge(date_df, df_reset, on="month_day", how="left")
# 设置完整日期为索引，并移除中间字段
result = result.set_index("full_date").drop("month_day", axis=1)
# 可选：将索引格式化为dd/mm/yyyy的字符串形式
result.index = result.index.strftime("%d/%m/%Y")

补充说明 #

• 闰年处理：如果原数据中没有2月29日的记录，合并后闰年的2月29日会出现空值，可使用result.fillna(method='ffill')或result.fillna(result.mean())等方式填充。
• 索引格式：如果不需要将索引转为字符串，可保留datetime类型，方便后续时间序列分析。

内容的提问来源于stack exchange，提问作者spcol