如何使用pandas的.interpolate(method='time')填充datetime64[ns]类型列的缺失值？

嗨，我来帮你搞定这个问题！首先先纠正你代码里的一个小细节：你写了df['D'].astype('datetime64[ns]')但没把结果赋值回原列，这步操作其实不会改变DataFrame里的'D'列，得改成df['D'] = df['D'].astype('datetime64[ns]')才算生效哦。

接下来，咱们说说interpolate(method='time')的核心要求：这个方法是基于datetime类型的索引来做时间间隔插值的，所以直接对普通整数索引下的'D'列用它会报错。结合你的需求（填充'D'列的NaT缺失值），咱们可以这样操作：

完整实现步骤&代码 #

1. 先创建并预处理你的DataFrame（修正类型转换的赋值问题）
2. 提取'D'列的完整时间范围，把'D'列设为索引后重新对齐到完整日期
3. 用interpolate(method='time')处理（此时索引是datetime，符合方法要求）
4. 把索引转回成'D'列，恢复原数据结构

import pandas as pd

# 1. 创建你给出的DataFrame并预处理
df = pd.DataFrame(
    {
        'A': range(6),
        'D': pd.date_range('20240101', periods=6, freq='D')
    }
)
# 确保D列为datetime类型并赋值
df['D'] = df['D'].astype('datetime64[ns]')
# 设置缺失值
df.loc[2, 'D'] = pd.NaT

# 2. 提取完整的时间范围，把D列设为索引后重新对齐
full_date_range = pd.date_range(start=df['D'].min(), end=df['D'].max(), freq='D')
# 先删除缺失值行，再设置D列为索引，最后重新索引到完整日期
temp_df = df.dropna().set_index('D').reindex(full_date_range)

# 3. 使用time插值方法填充（此时索引是datetime，满足方法要求）
temp_df = temp_df.interpolate(method='time')

# 4. 恢复原数据结构：把索引转回D列，重置整数索引
filled_df = temp_df.reset_index().rename(columns={'index': 'D'})

# 查看结果
print(filled_df)

运行结果 #

你会得到填充后的DataFrame，其中'D'列的NaT被成功替换为2024-01-03（正好是前后日期的中间值），同时'A'列的缺失值也会被基于时间间隔的线性插值填充为2.0（和原行的A值一致，因为时间间隔均匀）：

D    A
0 2024-01-01  0.0
1 2024-01-02  1.0
2 2024-01-03  2.0
3 2024-01-04  3.0
4 2024-01-05  4.0
5 2024-01-06  5.0

补充说明 #

如果你的需求只是单纯填充'D'列的NaT，而不需要处理'A'列，其实也可以用这个流程——因为重新索引后，'D'列就变成了完整的日期索引，转回列后自然就没有缺失值了，interpolate(method='time')主要是用来处理数值列的时间插值，不过刚好能配合这个流程完成你的需求。

备注：内容来源于stack exchange，提问作者Mohamad Osama