如何在Python中为Pandas DataFrame相邻两个日期间补全带NaN的缺失行

实现逻辑 #

依托Pandas原生时间序列索引对齐能力完成补全，全程为矢量化运算，适配百万行级大表处理场景，无需逐行判断缺失、手动构造空行拼接。

分步可运行代码 #

首先构造匹配你给出结构的测试DataFrame：

import pandas as pd
df = pd.DataFrame(
    [['1/1/2020', '0:00', 807, 1600], 
     ['3/1/2020', '1:00', 4000, 8000]],
    columns=['Date', 'Hour', 'X', 'Y']
)

1. 规范Date列格式 #

Date列当前为dd/mm/yyyy格式的字符串，需转换为标准datetime类型，必须显式指定解析规则，避免月日顺序解析颠倒：

df['Date'] = pd.to_datetime(df['Date'], format='%d/%m/%Y')

2. 对齐连续日期补全缺失行 #

两种等价的简洁实现写法：

• 写法1（适配自定义起止范围）：

# 生成覆盖现有数据日期区间的连续日级时间轴
full_date_index = pd.date_range(start=df['Date'].min(), end=df['Date'].max(), freq='D')
# 按连续索引重排，无匹配的行自动填充NaN
df_result = df.set_index('Date').reindex(full_date_index).reset_index()

• 写法2（更短的原生语法）：

# 设置日期为索引后直接指定日频率，自动补齐区间内所有缺失日
df_result = df.set_index('Date').asfreq('D').reset_index()

输出效果 #

缺失的2020-01-02行自动生成，Hour、X、Y列默认填充NaN，最终表结构为：

实用注意点 #

• 大表场景下，上述操作是底层C实现的矢量化运算，运行速度远快于逐行遍历找缺失、手动拼接空行的方案
• 若需补全超出现有数据范围的日期（比如从当月首日补到当月月末），只需调整pd.date_range的start/end参数即可，无需修改核心逻辑
• 补全完成后，若需给Hour列设置默认填充值，直接对目标列执行fillna操作即可，不影响核心补全流程

内容的提问来源于stack exchange，提问作者Pandas INC