如何用Pandas填充缺失工作日的最近日期金融数据？

嘿，这个需求我熟！不用手动遍历每一行那么麻烦，Pandas里有一套简洁的向量化操作就能搞定，而且效率比循环高太多了，刚好匹配你“仅针对工作日、用之前最近日期数据填充”的要求。

核心思路 #

我们需要先把缺失的工作日补全到DataFrame的索引里，再用**前向填充（forward fill）**的方式，让缺失的工作日自动继承上一个有效工作日的数据。

具体步骤（附代码示例） #

先构造一个和你场景类似的示例数据：

import pandas as pd
import numpy as np

# 构造带缺失工作日的示例数据
# 先生成2024年1月1日-1月10日的工作日，然后故意删掉1月2日、1月4日
original_dates = pd.date_range(start='2024-01-01', end='2024-01-10', freq='B')
original_dates = original_dates.drop([original_dates[1], original_dates[3]])
df = pd.DataFrame({'close_price': [100, 102, 101, 103, 104]}, index=original_dates)

print("原始数据（缺失部分工作日）：")
print(df)

接下来执行填充操作：

1. 生成完整的工作日索引
   用pd.date_range加上freq='B'（代表Business Day，自动排除周六周日），生成你数据时间范围内的所有工作日：

   # 获取完整的工作日序列
   full_business_days = pd.date_range(start=df.index.min(), end=df.index.max(), freq='B')
   

2. 重新索引补全缺失工作日
   用reindex把原DataFrame的索引替换成完整的工作日序列，缺失的工作日会自动填充为NaN：

   df_full = df.reindex(full_business_days)
   

3. 前向填充缺失值
   用ffill()方法（全称forward fill），让每个NaN位置自动用上一个最近的非缺失值填充：

   df_filled = df_full.ffill()
   
   print("\n填充后的数据（补全所有工作日）：")
   print(df_filled)
   

额外处理：如果原数据混有非工作日 #

如果你的原始DataFrame里不小心包含了周六/周日这类非工作日的数据，可以先过滤掉：

# 方法1：用isin匹配工作日序列
df = df[df.index.isin(pd.bdate_range(df.index.min(), df.index.max()))]

# 方法2：通过星期几过滤（周一到周五对应0-4）
df = df[df.index.dayofweek < 5]

为什么不用手动遍历？ #

手动循环遍历每一行的方式在数据量小的时候看似可行，但数据量一大（比如几年的日度数据），速度会慢得离谱。Pandas的reindex和ffill都是向量化操作，底层用C实现，效率能提升几十甚至上百倍。

内容的提问来源于stack exchange，提问作者dineshdileep