基于datetime索引的Pandas时间序列重采样与插值问题求解

核心优化逻辑 #

• df1转日度均值：直接使用pandas内置的resample日度聚合，无需手动循环切片计算均值
• df2缺失日期插值：先重采样生成完整日期序列（缺失值保留NaN），再执行线性插值，避免提前填充固定值导致插值失效

优化后完整代码 #

import numpy as np
import pandas as pd
from datetime import datetime

# 模拟数据生成部分和原逻辑一致
rng = pd.date_range('2000-01-01', periods=int(365*(24/3)), freq='3H')
df1 = pd.DataFrame({'Val': np.random.randn(len(rng)) }, index = rng)

rng2 = pd.date_range('2000-01-01', periods=365, freq='D')
df2 = pd.DataFrame({'Val': np.random.randn(len(rng2)) },index = rng2)
df2 = df2.drop([datetime(2000,1,5),datetime(2000,1,24)])

# 需求1：df1转日度均值，无循环实现
df3 = df1.resample('D').mean()

# 需求2：df2缺失日期插值补全
# 先重采样生成完整日度序列，缺失值保留NaN
df2 = df2.resample('D').asfreq()
# 对NaN执行线性插值
df2 = df2.interpolate(method='linear')

逻辑说明 #

• 对时间序列的聚合、频率转换操作优先使用pandas原生resample方法，内部为矢量化实现，执行效率远高于手动编写for循环切片计算
• 原插值失效的核心原因是调用reindex时指定了fill_value=0，所有缺失日期都被提前填充为固定值0，插值方法识别不到缺失位置自然不会生效。先通过resample('D').asfreq()生成带NaN的完整序列后再插值，即可得到符合预期的线性补全结果。

内容的提问来源于stack exchange，提问作者Nihilum