本文介绍如何通过正确填充时间索引并插入 NaN 值，确保 Matplotlib 仅绘制连续有效数据段，避免跨长时间空缺（如多日缺失）后错误连线。核心方法是使用 pd.date_range 和 reindex 对齐等间隔小时级时间轴。

本文介绍如何通过正确填充时间索引并插入 nan 值，确保 matplotlib 仅绘制连续有效数据段，避免跨长时间空缺（如多日缺失）后错误连线。核心方法是使用 `pd.date_range` 和 `reindex` 对齐等间隔小时级时间轴。

在绘制长时间跨度（如整月）的温度时间序列时，若原始数据存在不规则缺失（例如连续数日无采集），而仅对单日内空缺补 NaN，Matplotlib 仍会将时间上不连续但索引相邻的有效点强行连线——因为它只认数组顺序，不理解时间语义。这导致图中出现跨越数天的“虚假连接线”，严重误导趋势解读（如你图中 10/09 周围的异常连线）。

✅ 正确做法是：构建完整、等间隔的时间基准轴，并将原始数据严格对齐到该轴上。这样，所有真实缺失时段（无论数小时或数天）都会被显式标记为 NaN，Matplotlib 自动断开绘制。

步骤详解

1. 生成完整小时级时间索引
   使用 pd.date_range 创建从首条记录到末条记录、频率为 'H'（每小时）的连续时间序列：

   import pandas as pd
   import matplotlib.pyplot as plt
   
   # 假设 month_year_data 已按 datetime 索引排序
   full_hours = pd.date_range(
       start=month_year_data.index.min(),
       end=month_year_data.index.max(),
       freq='H'
   )

2. 重索引并自动填充 NaN
   reindex() 将原始 DataFrame 映射到完整时间轴，缺失位置自动填入 NaN（默认行为）：

   month_year_data_filled = month_year_data.reindex(full_hours)

   ✅ 关键优势：reindex 保证时间维度严格等距，且所有空缺（包括跨日空缺）均转为 NaN，Matplotlib 绘图时自然断开。

3. 绘制修正后的数据
   替换原绘图代码中的 month_year_data 为 month_year_data_filled：

   fig, ax = plt.subplots(figsize=(20, 10))
   zones = ['Far range', 'Mid range', 'Near range']
   colors = ['blue', 'green', 'red']
   
   for i, zone in enumerate(zones):
       # 直接使用 filled 数据 —— NaN 区域自动断开
       ax.plot(month_year_data_filled.index, 
               month_year_data_filled[zone], 
               label=zone, color=colors[i], linestyle='-')
   
   ax.set_xlabel('Time')
   ax.set_ylabel('Temperature (°C)')
   ax.set_title(f'Temperature as a function of time by Hour - {month_name}-{year}')
   plt.xticks(rotation=45)
   ax.legend()
   plt.tight_layout()
   plt.show()

注意事项与进阶建议

• 索引必须为 datetime64 类型：确保 month_year_data.index 是 DatetimeIndex，否则 reindex 无法按时间对齐。可强制转换：
  month_year_data.index = pd.to_datetime(month_year_data.index)

  

  Matplotlib Linux版

  Matplotlib Linux版 3.11.1 官方下载，来自 PyPI 官方发布，适合 Python 图表绘制、数据分析、科研可视化和 Jupyter Notebook 环境安装。

  下载

• 避免插值干扰：reindex 默认用 method=None（即不插值），严格保留原始值 + NaN。切勿误用 interpolate() 或 fillna()，否则会伪造数据。

• 内存优化（大数据集）：若月份数据量极大（如百万级小时点），可先用 resample('H').mean() 聚合原始不规则采样，再 reindex，兼顾精度与效率。

• 可视化验证：绘制前检查 month_year_data_filled.isna().sum()，确认缺失时段数量符合预期；也可用 ax.axvspan() 标注已知空缺区间辅助验证。

通过这一标准化时间轴对齐流程，你将获得真正反映数据实际连续性的曲线图——每一段连线都对应真实采集的连续小时序列，彻底消除跨空缺的误导性连接。