如何使用对应月份normal值填补日粒度时间序列DataFrame缺失数据

实现方案（基于Python Pandas） #

步骤1：数据预处理

首先确保日度时序数据的索引为datetime类型，方便提取所属月份：

import pandas as pd

# 假设日度数据存储在变量 df_daily 中，基准值表存储在变量 df_monthly 中
# 转换日度数据的日期索引为datetime格式，适配你提供的日/月/年日期格式
df_daily.index = pd.to_datetime(df_daily.index, format='%d/%m/%Y')

步骤2：关联月度基准值

给日度数据新增临时月份列，基于月份匹配对应行的全字段基准值：

# 提取每行日期对应的月份
df_daily['month'] = df_daily.index.month
# 基于月份匹配生成和日度数据同结构的填补基准表
fill_base = pd.DataFrame(df_daily['month'].map(df_monthly.to_dict('index')).tolist(), index=df_daily.index)

步骤3：填补缺失值

用匹配好的基准值填补日度数据中的空值，最后删除临时月份列：

# 对应位置空值自动用基准值填充
df_daily = df_daily.fillna(fill_base)
# 删除临时生成的month列
df_daily = df_daily.drop(columns=['month'])

注意事项

• 需确保df_daily和df_monthly的字段名（A/B/C/D/E）完全一致，才能实现自动对应列填补
• 若日期格式有变化，需调整pd.to_datetime中的format参数适配你的日期规则

内容的提问来源于stack exchange，提问作者spcol