最稳妥的时间序列补全方式是先用pandas.date_range构造目标时间索引，再用reindex对齐，空位留NaN供后续按业务逻辑填充；避免直接使用resample或asfreq导致隐式聚合或范围偏差。
用 pandas.date_range 生成完整时间索引再 reindex
时间序列缺失时间点，本质是索引不连续。最稳妥的做法不是“插值”或“填充”，而是先构造目标时间范围，再对齐数据。比如原始数据只有周一、周三、周五的记录，你想补全周一到周日——这时 date_range + reindex 是直觉最准、副作用最小的方式。
常见错误是直接用 resample 或 asfreq，它们默认会做聚合（如求均值）或强制降频，反而丢数据；而 reindex 只对齐、不计算，空位留 NaN，后续再决定怎么填。
-
date_range的freq参数必须和原始索引频率一致（如'D'、'H'、'15T'），否则对不上 - 原始索引要是
DatetimeIndex，如果不是，先用pd.to_datetime()转，再set_index() - 若原始时间有重复，
reindex会报错，得先用drop_duplicates(keep='first')
import pandas as pd
df = pd.DataFrame({'value': [10, 20, 30]},
index=pd.to_datetime(['2024-01-01', '2024-01-03', '2024-01-05']))
full_idx = pd.date_range(start=df.index.min(), end=df.index.max(), freq='D')
df_full = df.reindex(full_idx)
用 asfreq 快速对齐但要注意隐式填充逻辑
asfreq 看起来更短，但它会在底层调用 reindex 并默认用 method=None，也就是只对齐、不填充——这点常被误解。很多人以为它会自动前向填充，其实不会。它的真正价值在于支持 method='ffill' 或 'bfill' 一步到位，省去显式 fillna。
但注意：asfreq 的 freq 如果比原始索引更细（比如原始是日频，你设成 '6H'），它不会自动推断起止时间，而是从原始索引第一个时间点开始按步长生成，可能漏掉开头或结尾。
立即学习“Python免费学习笔记（深入）”；
- 想补全整段区间，仍建议先用
date_range明确范围，再reindex -
asfreq('D', method='ffill')和reindex(...).ffill()效果相同，但前者更紧凑 - 若原始索引含时区，
asfreq会保留时区；但date_range默认无时区，需显式加tz=...
遇到不规则间隔（如业务日历）别硬套 freq='D'
真实场景中，“每天”不等于“日历日”：节假日没数据、周末不开市、甚至某些设备只在工作时段上报。这时候用 freq='D' 会把周六日也塞进去，后续还得删——徒增麻烦。
正确做法是用 pd.bdate_range（仅工作日）、或自定义 CustomBusinessDay，甚至读入一个 holidays 列表转成 pd.DatetimeIndex 后参与 reindex。
-
bdate_range默认不含中国节假日，需配合holidays=cn_hols（需提前构造） - 若已有节假日列表
hol_list，可用pd.DatetimeIndex(hol_list)，再用union或difference调整完整索引 - 避免在
date_range中强行用freq='D'+ 后续过滤，性能差且逻辑绕
填充策略选错会让时间序列失真
识别出缺失点只是第一步，怎么填才关键。线性插值（interpolate(method='linear')）适合平缓变化的传感器数据；前向填充（ffill）适合状态类字段（如“当前配置版本”）；而用 fillna(0) 填销售额就很可能扭曲同比分析。
更隐蔽的问题是：如果缺失集中在某段时间（比如系统故障期），统一插值会掩盖异常模式。这时应先标记缺失段（df.isna().groupby((~df.isna()).cumsum()).sum()），再决定是否跳过该区间建模。
- 不要对时间索引本身插值，只对数值列操作
-
interpolate默认只处理数值列，遇到字符串列会静默跳过，需提前检查 dtypes - 高频数据（如秒级）慎用
ffill，可能把几小时空白全补成一个旧值，掩盖采样中断
时间序列补点不是越全越好，关键是补得有依据。索引对齐可以机械完成，但填充逻辑必须贴合业务含义——这点没法自动化，得人看。
