如何在Pandas中获取datetime64时间区间内的缺失日期？

嘿，这个需求我刚好处理过，用Pandas几步就能搞定，给你详细拆解：

首先，先确保我们有可测试的原始数据（你可以直接替换成自己的df）：

import pandas as pd

# 构造你的原始DataFrame
data = {
    'dti': ['2016-07-27 13:55:00', '2016-07-29 13:50:07', '2016-07-29 14:50:08',
            '2016-07-30 23:50:01', '2016-08-01 12:50:00', '2016-08-02 12:50:00'],
    'id_n': [1,1,1,2,3,3]
}
df = pd.DataFrame(data)
df['dti'] = pd.to_datetime(df['dti'])  # 确保字段是datetime64类型

接下来分三步获取缺失日期：

步骤1：提取去重的日期维度数据 #

因为你的dti带时分秒，我们只需要日期部分，同时去掉重复的日期（比如7-29出现了两次，只留一个即可）：

# 把datetime向下取整到当日零点，再去重
existing_dates = df['dti'].dt.floor('D').unique()

步骤2：生成完整的日期序列 #

从原始数据的最小日期到最大日期，生成所有连续的单日序列：

# 获取日期范围的首尾（同样取整到当日）
min_date = df['dti'].min().floor('D')
max_date = df['dti'].max().floor('D')

# 生成连续日期序列，freq='D'表示按天生成
full_date_range = pd.date_range(start=min_date, end=max_date, freq='D')

步骤3：筛选出缺失的日期 #

找出完整序列中不在原始日期里的那些，就是我们要的缺失日期，最后转成DataFrame：

# 取反筛选缺失日期
missing_dates = full_date_range[~full_date_range.isin(existing_dates)]

# 转成目标DataFrame格式
result = pd.DataFrame(missing_dates, columns=['dti'])

运行后result就是你要的：

dti
0 2016-07-28
1 2016-07-31

如果想要把日期转成字符串格式（比如2016-07-28而不是datetime对象），可以加这一步：

result['dti'] = result['dti'].dt.strftime('%Y-%m-%d')

内容的提问来源于stack exchange，提问作者Markus