非线性时间下的Pandas时间序列插值方法咨询

针对非线性分布的时间间隔，直接用默认的interpolate()确实会因为按行索引插值导致结果偏差，这里有两种可靠的解决思路：

方法一：用Pandas内置的时间插值功能 #

Pandas的interpolate()其实支持基于时间的线性插值，只需要满足两个前提：

• 把Time列转换为datetime类型
• 将Time设为DataFrame的索引

具体代码示例：

import pandas as pd

# 模拟你的表格数据
data = {
    'Time': ['2022-08-14 05:55:25', '2022-08-14 05:56:05', '2022-08-14 06:26:00'],
    'Value': [0, None, 26]
}
df = pd.DataFrame(data)

# 转换时间列并设为索引
df['Time'] = pd.to_datetime(df['Time'])
df = df.set_index('Time')

# 基于实际时间间隔的线性插值
df['Value'] = df['Value'].interpolate(method='time')

这个方法会自动根据两个有效数据点之间的实际时间差分配插值结果，完全适配非线性的时间间隔。

方法二：用SciPy做更灵活的非线性插值 #

如果需要非线性插值（比如二次、三次样条），可以把时间转换为数值型（比如Unix时间戳），再用SciPy的插值函数处理：

import pandas as pd
from scipy.interpolate import interp1d

# 预处理时间列
df['Time'] = pd.to_datetime(df['Time'])
# 将时间转为Unix时间戳（单位：秒）
df['Time_Stamp'] = df['Time'].astype('int64') // 10**9

# 提取有效数据点
valid_mask = df['Value'].notna()
x_valid = df.loc[valid_mask, 'Time_Stamp']
y_valid = df.loc[valid_mask, 'Value']

# 创建插值函数，支持linear/quadratic/cubic等多种类型
interp_func = interp1d(x_valid, y_valid, kind='cubic', fill_value='extrapolate')

# 对所有时间点执行插值
df['Value'] = interp_func(df['Time_Stamp'])

这种方法自由度更高，适合数据有明显趋势或波动的场景，同样完全考虑时间间隔的非线性分布。

注意事项 #

• 如果数据包含多个不连续的有效数据段，两种方法都能自动分段处理
• 线性插值适合数据随时间平稳变化的场景，非线性插值适合需要拟合趋势或波动的场景

内容的提问来源于stack exchange，提问作者Winston