使用多键Grouper时补全缺失日期的方法求助

这个问题我之前也碰到过，Pandas的groupby默认只会保留原始数据中实际存在的分组组合，所以那些没有消耗量的月份就会被自动忽略掉。要补全这些缺失的月份，我们可以通过生成完整的时间-物料索引再重新对齐数据的方式来解决，下面是具体的实现步骤：

方法一：使用MultiIndex.from_product生成完整索引并重新索引 #

这种方法的核心是先构建包含所有物料+所有目标月份的完整索引，再让分组后的数据与这个索引对齐，缺失值自动填充为0：

import pandas as pd

# 1. 获取数据中所有唯一的物料
materials = consumption['Material'].unique()

# 2. 生成覆盖整个数据集的完整月度时间序列（频率为月初MS）
# 先把日期转成月度周期再转回时间戳，确保是每个月的第一天
min_month = consumption['Date'].min().to_period('MS').to_timestamp()
max_month = consumption['Date'].max().to_period('MS').to_timestamp()
full_date_range = pd.date_range(start=min_month, end=max_month, freq='MS')

# 3. 创建包含所有物料+所有月份的多级索引
full_multi_index = pd.MultiIndex.from_product(
    [materials, full_date_range],
    names=['Material', 'Date']
)

# 4. 先完成分组求和，再用完整索引重新对齐，缺失值填充为0
consumption_grouped = consumption.groupby(
    [pd.Grouper(key='Material'), pd.Grouper(key='Date', freq='MS')]
)['QtyConsumed'].sum()\
  .reindex(full_multi_index, fill_value=0)\
  .reset_index()

方法二：使用pivot_table结合resample #

如果更习惯宽表操作，可以先把数据转成“日期为行、物料为列”的格式，再通过重采样补全缺失月份，最后转回长表：

# 1. 转成宽表，自动聚合相同日期+物料的消耗量，缺失值先填0
pivot_df = consumption.pivot_table(
    index='Date',
    columns='Material',
    values='QtyConsumed',
    aggfunc='sum',
    fill_value=0
)

# 2. 按月度重采样，补全所有缺失的月份，求和（这里因为已经是月度数据，实际就是填0）
resampled_df = pivot_df.resample('MS').sum()

# 3. 转回长表格式，得到最终结果
consumption_grouped = resampled_df.unstack().reset_index(name='QtyConsumed')

效果验证 #

运行任意一种方法后，你就能得到包含所有月份的结果，比如你示例中缺失的2017-12-01记录会被补全，对应的QtyConsumed值为0，完全符合你的预期。

内容的提问来源于stack exchange，提问作者Bhanuteja Aryasomayajula