本文介绍如何使用 pandas.read_csv() 正确解析含不完整时间格式（如仅有日期无时间，或混用“DD.MM.YYYY HH:MM:SS”与“DD.MM.YYYY”）的时序 CSV 文件，并自动补全缺失的 00:00:00 时间，确保 Time 列成功转换为 datetime64[ns] 类型。
本文介绍如何使用 `pandas.read_csv()` 正确解析含不完整时间格式（如仅有日期无时间，或混用“dd.mm.yyyy hh:mm:ss”与“dd.mm.yyyy”）的时序 csv 文件，并自动补全缺失的 00:00:00 时间，确保 `time` 列成功转换为 `datetime64[ns]` 类型。
在工业测量、能源监控等场景中，CSV 日志常因设备导出逻辑缺陷导致时间列不一致：多数行含完整时间（如 27.12.2023 23:50:00），但整点（尤其是午夜 00:00:00）仅保留日期部分（如 28.12.2023）。若直接使用 parse_dates=['Time']，Pandas 默认会将纯日期行解析为 NaT（Not a Time），破坏时间序列连续性。
核心解决方案：启用 date_format='mixed'
Pandas 2.0+ 引入的 date_format='mixed' 参数可智能识别同一列中混合的时间格式（包括 ISO、本地化日期、带/不带时间的日期），并自动推断缺失时间部分——对仅含 DD.MM.YYYY 的行，默认补全为当日 00:00:00，完美匹配业务语义。
✅ 推荐读取代码：
import pandas as pd
df = pd.read_csv(
'C:/Python/Input/measured_values.csv',
sep='\t',
decimal=',',
encoding='unicode_escape',
parse_dates=['Time'],
dayfirst=True, # 确保 DD.MM.YYYY 被正确识别
date_format='mixed' # 关键！启用混合格式自动解析
)⚠️ 注意事项：
- 移除 skiprows=1：若首行为列名（非数据），skiprows=1 会跳过标题行导致列错位；应让 Pandas 自动识别表头（默认 header=0）。仅当 CSV 存在多余注释行时才需谨慎设置 skiprows。
- 验证解析结果：务必检查 df['Time'].dtypes 是否为 datetime64[ns]，并用 df['Time'].isna().sum() 确认无 NaT。
- 兼容性要求：date_format='mixed' 需 Pandas ≥ 2.0.0；旧版本可降级使用 date_parser 自定义函数，但效率与鲁棒性较低。
? 进阶提示：若数据跨越夏令时切换日，date_format='mixed' 仍能正确处理时区无关的本地时间序列；如需时区感知，请在解析后调用 .dt.tz_localize()。
立即学习“Python免费学习笔记（深入）”；
该方法简洁、高效且无需手动插值或循环修正，是处理此类不规则时间戳的首选实践。
