如何在Python的Pandas DataFrame中插入行？补全MySQL读取数据的缺失行

当然可以实现你的需求！这里有两种简单易懂的方法，帮你补全缺失的1515581722这条记录，让data1和data2自动填充为NULL（对应Pandas里的NaN）：

方法一：利用时间重采样（适合时间序列场景） #

因为你的timestamp是秒级Unix时间戳，我们可以先把它转换成Pandas的时间类型，再用重采样功能自动补全缺失的秒数：

import pandas as pd

# 假设data是你从MySQL读取的原始DataFrame
# 第一步：将timestamp列转为Pandas datetime类型（单位为秒）
data['timestamp'] = pd.to_datetime(data['timestamp'], unit='s')

# 第二步：把timestamp设为索引，按秒重采样，缺失值保留NaN（即SQL的NULL）
data = data.set_index('timestamp')
data_resampled = data.resample('S').asfreq()

# 第三步：重置索引将timestamp变回普通列，再转回Unix时间戳格式（如果需要）
data_resampled = data_resampled.reset_index()
data_resampled['timestamp'] = data_resampled['timestamp'].astype('int64') // 10**9

处理后，缺失的1515581722行就会被自动插入，对应的data1和data2值为NaN，和你期望的NULL效果一致。

方法二：生成完整时间序列后合并（更直接的数值操作） #

如果不想处理时间类型，我们可以直接基于现有timestamp的范围生成完整的秒序列，再和原数据做左连接：

import pandas as pd

# 第一步：获取原始数据中timestamp的最小和最大值
min_ts = data['timestamp'].min()
max_ts = data['timestamp'].max()

# 第二步：生成从min到max的所有秒数的完整序列
full_timestamp = pd.DataFrame({'timestamp': range(min_ts, max_ts + 1)})

# 第三步：左连接原数据，自动补全缺失行，缺失值填充为NaN
data_complete = pd.merge(full_timestamp, data, on='timestamp', how='left')

可选：将NaN替换为字符串'NULL' #

如果需要把Pandas的NaN显示成字符串形式的NULL，可以添加这一步：

data_complete = data_complete.fillna('NULL')

不过日常数据分析中更推荐保留NaN，因为它是Pandas原生的缺失值标识，方便后续统计和处理。

两种方法都能完美实现你的需求，你可以根据场景选择：如果是时间序列分析，方法一更合适；如果只是简单补全行，方法二更直接。

内容的提问来源于stack exchange，提问作者Alejandro