使用Pandas将月度数据线性插值为日度/周度数据

嘿，这个需求我熟，用Pandas的日期处理和插值功能就能完美解决，咱们一步步来，保证你能轻松实现：

第一步：准备并转换原始数据 #

首先，咱们先把你给出的月度数据转换成Pandas能识别的日期格式，同时调整数据结构方便后续处理：

import pandas as pd

# 先模拟你的原始DataFrame（如果已经有了可以跳过这部分）
data = {
    '201301': [0.747711, 0.776537, 0.801699, 0.797942, 0.777472, 0.780933, 2.071699],
    '201302': [0.793101, 0.759745, 0.847655, 0.687899, 0.799676, 0.750774, 2.261739],
    '201303': [0.771819, 0.733673, 0.796586, 0.729911, 0.782947, 0.781056, 2.126915],
    '201709': [0.818161, 0.757496, 0.784537, 0.819887, 0.804533, 0.790846, 1.891780],
    '201710': [0.812522, 0.765181, 0.763551, 0.772395, 0.791759, 0.773705, 2.098914]
}
df = pd.DataFrame(data, index=['a', 'b', 'c', 'd', 'e', 'f', 'g'])

# 把列名的yyyymm字符串转成日期格式（这里有两种选择）
# 选择1：对应**月初**日期（和你示例中的计算逻辑一致，间隔是自然月天数）
df.columns = pd.to_datetime(df.columns, format='%Y%m')
# 选择2：对应**月末**日期（更贴合月度统计数据的常规锚点）
# df.columns = pd.to_datetime(df.columns, format='%Y%m') + pd.offsets.MonthEnd(0)

# 转置DataFrame：让日期成为行索引，变量(a-g)作为列，方便时间维度的插值
df_transposed = df.T

第二步：生成日度线性插值数据 #

现在我们可以基于转置后的月度数据，生成完整的日度序列并做线性插值：

# 生成从第一个月度日期到最后一个月度日期的所有日度索引
daily_index = pd.date_range(start=df_transposed.index[0], end=df_transposed.index[-1], freq='D')

# 重新索引到日度，并用线性插值填充所有缺失的日度数据
daily_df = df_transposed.reindex(daily_index).interpolate(method='linear')

# 如果需要把变量(a-g)变回行索引（和原始格式一致），可以再转置回去
# daily_df = daily_df.T

这一步的插值逻辑和你示例中的计算完全一致：比如2013年1月到2月的日度增量，就是(2月值 - 1月值)/两个月之间的天数，Pandas会自动根据日期间隔计算线性增量，无需手动计算。

第三步：生成周度线性插值数据 #

周度数据有两种生成方式，你可以根据需求选择：

方式1：直接从月度数据插值到周度 #

# 生成周度数据，默认以每周日作为周结束（可以用freq='W-MON'改成周一结束）
weekly_df = df_transposed.resample('W').interpolate(method='linear')

方式2：从日度数据聚合到周度 #

如果你已经生成了日度数据，也可以直接聚合到周度（比如取每周最后一天的值）：

# 取每周最后一天的日度插值结果作为周度数据
weekly_df = daily_df.resample('W').last()
# 或者取每周的均值：weekly_df = daily_df.resample('W').mean()

验证结果 #

你可以查看生成的日度/周度数据，比如查看2013年1月的前几天：

print(daily_df.loc['2013-01-01':'2013-01-03', 'a'])

输出会是从1月初始值开始，每天按线性增量递增的结果，和你手动计算的完全匹配。

内容的提问来源于stack exchange，提问作者EJ Kang