interpolate(method='polynomial')在时间序列中常因数据长度大或含噪声导致SVD不收敛而失败，仅适用于几十点以内平滑子段；必须指定order且只处理数值列，推荐改用method='time'分段插值或scipy.interp1d手动实现。
为什么interpolate(method='polynomial')在时间序列里常失败
直接对带时间索引的 Series 或 DataFrame 调用 interpolate(method='polynomial')，大概率会报 LinAlgError: SVD did not converge。这不是代码写错了，而是算法本身对数据长度和噪声敏感：当序列超过几百行、或存在微小测量抖动时，多项式拟合矩阵就容易病态。它适合的是几十点以内、平滑无噪的子段——比如单次传感器 burst 数据，而不是整日/整月的温度记录。
method='polynomial'必须配order且仅限数值列
这个方法不接受时间索引自动对齐，必须显式指定阶数，例如 order=3 表示三次多项式。但更关键的是：它只作用于数值列，遇到字符串、None 或混合类型列会抛 TypeError: cannot interpolate with all-object-dtype。
- 插值前务必先过滤：用
df.select_dtypes(include='number') - 若原始索引是字符串时间（如
'2023-01-01'），必须先转为datetime64并排序：df.index = pd.to_datetime(df.index).sort_values() - 重复或
NaT索引会导致静默跳过或报错，需提前清理：df = df[~df.index.duplicated(keep='first')].dropna()
替代方案：分段 + method='time' 更稳
连续缺失超过 5–10 个点时，硬上 polynomial 不如拆成小段，每段用 method='time' 做线性或样条插值。它按真实时间距离加权，抗噪强，且不依赖全局拟合。
- 先用
df['temperature'].isna().astype(int).diff().ne(0).cumsum()标出连续空值块 - 对每个空值块前后各取 3–5 个有效点，构造局部子序列
- 调用
sub_series.interpolate(method='time', limit_direction='both') - 避免跨天/跨小时段强行拟合——时间戳精度漂移（如纳秒级偏差）会导致后续
resample('1H')分组漏点
真正需要多项式时，别用interpolate，改用scipy.interpolate.interp1d
如果你明确知道某段缺失很短、很平滑、且必须用高阶曲线（比如校准曲线拟合），绕过 Pandas 的封装更可控：
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
立即学习“Python免费学习笔记（深入）”；
from scipy.interpolate import interp1d import numpy as np <h1>提取非空点的时间（转为浮点秒）和值</h1><p>valid_mask = ~df['temperature'].isna() t_sec = df.index[valid_mask].astype(np.int64) // 10**9 # 转为 Unix 秒 y_val = df['temperature'][valid_mask].values</p><h1>构造三次插值函数</h1><p>f = interp1d(t_sec, y_val, kind='cubic', fill_value='extrapolate')</p><h1>对缺失位置的时间做插值</h1><p>na_idx = df['temperature'].isna() t_na_sec = df.index[na_idx].astype(np.int64) // 10**9 df.loc[na_idx, 'temperature'] = f(t_na_sec)
注意：这里手动处理了时间戳到数值的转换，避开了 Pandas 内部对 datetime64 的隐式转换逻辑，也规避了 order 参数误设风险。但代价是丧失了 Pandas 的链式操作便利性——所以只在真有必要时才这么干。
