本文介绍如何通过正确填充时间索引并插入 nan 值，确保 matplotlib 仅绘制逻辑连续的温度数据段，避免跨多日缺失期的异常连线。
本文介绍如何通过正确填充时间索引并插入 nan 值，确保 matplotlib 仅绘制逻辑连续的温度数据段，避免跨多日缺失期的异常连线。
在使用 Matplotlib 绘制长时间跨度（如整月）的温度时间序列时，一个常见却易被忽视的问题是：即使存在数天甚至更久的连续缺失数据，Matplotlib 仍可能将前后两段有效数据强行连接起来，造成误导性趋势线。根本原因在于：Matplotlib 默认按数组索引顺序连线，只要两个有效数据点之间没有 NaN，它就会画线——而不会考虑它们在真实时间轴上的间隔。
要彻底解决该问题，关键不是“分天绘图”（会导致图例爆炸），而是构建一个完整、等间隔、带显式 NaN 的时间基准索引，让缺失时段在数据结构层面被明确标识。
✅ 正确做法：重采样为小时级等距时间序列
假设你的原始 DataFrame month_year_data 已以 datetime 为索引（如 2023-10-01 00:00:00, 2023-10-01 01:00:00…），但中间存在整日缺失（例如 10/21–10/28 完全无记录）。此时应执行：
import pandas as pd
# 生成覆盖全月每小时的完整时间索引（频率='H'）
full_hourly_index = pd.date_range(
start=month_year_data.index.min(),
end=month_year_data.index.max(),
freq='H'
)
# 用 reindex 强制对齐：缺失时间点自动填充 NaN
month_year_data_filled = month_year_data.reindex(full_hourly_index)reindex() 会自动将原始数据映射到新索引上，所有未覆盖的时间点（即原数据中缺失的小时）均被设为 NaN —— 这正是 Matplotlib 断开连线所需的信号。
? 绘图代码优化（保持单图单图例）
替换原绘图循环中的数据源即可：
fig, ax = plt.subplots(figsize=(20, 10))
zones = ['Far range', 'Mid range', 'Near range']
colors = ['blue', 'green', 'red']
for i, zone in enumerate(zones):
# 使用已填充 NaN 的完整时间序列
ax.plot(
month_year_data_filled.index,
month_year_data_filled[zone],
label=zone,
color=colors[i],
linestyle='-',
linewidth=1.2
)
ax.set_xlabel('Time (UTC)')
ax.set_ylabel('Temperature (°C)')
ax.set_title(f'Temperature by Hour — {month_name}-{year}')
ax.tick_params(axis='x', rotation=45)
ax.grid(True, alpha=0.3)
ax.legend()
plt.tight_layout()
plt.show()✅ 效果：所有跨越 NaN 区域的连线将自动中断，例如 10/20 23:00 与 10/29 00:00 不再相连；仅同一连续数据段内（如 10/01 00:00–10/05 12:00）才会形成连贯曲线。
⚠️ 注意事项
- 务必确认原始索引为 datetime64 类型：运行 print(month_year_data.index.dtype)，若非 datetime64[ns]，需先执行 month_year_data.index = pd.to_datetime(month_year_data.index)。
- 避免 resample().mean() 等聚合操作：本方案目标是保真插空，而非降频或插值；聚合会掩盖缺失事实，且无法解决断线问题。
- 内存考量：对超长周期（如多年小时数据），date_range 生成大量索引可能占用内存，可分段处理或改用 asfreq('H')（效果类似，但更轻量）。
- 验证填充结果：建议检查 month_year_data_filled.isna().sum()，确认缺失小时数符合预期。
通过这一标准化时间索引 + 显式 NaN 的组合策略，你既能维持单图清晰表达，又能严格遵循时间序列的物理连续性逻辑——这才是专业气象/物联网时序可视化的可靠基础。
