如何用Pandas导入含间隔日期索引的股票CSV并生成单索引DataFrame？

这种每只股票自带独立日期列的CSV结构确实有点反常规，不过用Pandas分几步就能把它转换成你想要的单一日期索引格式，我来给你详细说下怎么做：

步骤1：读取原始数据 #

首先，我们先完整读取CSV文件，不要设置index_col，避免丢失其他股票的日期列：

import pandas as pd

# 替换成你的文件路径
df_raw = pd.read_csv('your_stock_data.csv', sep=';', header=0)

此时df_raw会保留所有原始列，比如['date', 'stock_A', 'date', 'stock_B', 'date', 'stock_C']这类重复列名，Pandas会自动处理重复列的识别。

步骤2：拆分并整理每只股票的数据 #

因为数据是按「日期列+股票值列」成对出现的，我们可以循环遍历这些列对，把每只股票的数据单独整理成带datetime索引的Series：

stock_dfs = []

# 按步长2遍历列索引，每次处理一对（日期列+股票值列）
for i in range(0, len(df_raw.columns), 2):
    date_col = df_raw.columns[i]
    stock_col = df_raw.columns[i+1]
    
    # 提取当前股票的日期和值，重命名日期列并过滤空行
    single_stock = df_raw[[date_col, stock_col]].rename(columns={date_col: 'datetime'})
    single_stock = single_stock.dropna(subset=['datetime'])
    
    # 转换日期格式（匹配你的CSV日期格式：dd.mm.yyyy HH:mm）
    single_stock['datetime'] = pd.to_datetime(single_stock['datetime'], format='%d.%m.%Y %H:%M')
    # 转换股票值为数值类型，空值填充为0
    single_stock[stock_col] = pd.to_numeric(single_stock[stock_col], errors='coerce').fillna(0)
    
    # 设置datetime为索引，只保留股票值列
    single_stock = single_stock.set_index('datetime')[stock_col]
    stock_dfs.append(single_stock)

步骤3：合并为单一日期索引的DataFrame #

最后，我们用concat将所有股票的Series合并，使用outer join保留所有时间戳，缺失的股票值用0填充：

# 合并所有股票数据，填充缺失值为0
final_df = pd.concat(stock_dfs, axis=1).fillna(0)

# 可选：将索引转为普通列，匹配你想要的格式
final_df = final_df.reset_index().rename(columns={'index': 'date'})

运行完这段代码后，你就能得到和期望一致的DataFrame：所有时间戳作为单一索引（或列），每只股票对应一列，没有数据的时间点自动填充0。

额外说明 #

• 如果你的CSV日期格式和示例不同，可以调整pd.to_datetime里的format参数；
• 如果股票列的命名不是stock_X这种规律的，代码依然适用，因为我们是按列的位置成对处理的；
• 这段代码会自动过滤掉日期为空的无效行，避免干扰最终结果。

内容的提问来源于stack exchange，提问作者Krasnars