时间序列缺失值填补需按真实时间逻辑插值，优先用method='time'；限制ffill/bfill跨度防污染；周期性数据宜用seasonal_decompose分项填补；须先判别缺失机制再决策。
时间序列数据里出现 NaN 或空值很常见，但直接用 pandas.DataFrame.fillna() 填平均值或前向填充，往往破坏时序结构——比如跨天、跨季节、跨业务周期的缺失，填错一个值就可能让后续建模全偏。关键不是“能不能填”，而是“按什么逻辑填才不扭曲趋势和周期性”。
用 pd.Series.interpolate() 按时间索引做线性/时间加权插值
默认的 .interpolate() 只按行索引位置插值，对时间序列完全不适用——它把 2023-01-01 和 2023-01-10 当作相邻整数 0 和 9 来算距离。必须显式传入 method='time' 或 method='index'（后者要求索引是 datetime 类型）。
-
df['value'].interpolate(method='time')：按真实时间差加权，适合等频或不等频但有明确时间戳的数据 -
df.set_index('timestamp')['value'].interpolate(method='time')：确保索引是datetime64，否则报TypeError: 'method' parameter has to be 'time' for DatetimeIndex - 不建议用
method='linear'，它只看索引数值，对DatetimeIndex就是纳秒级整数，插值结果严重失真
用 pd.Series.ffill() 和 bfill() 控制填补方向与跨度
前向填充（ffill）看着简单，但实际中容易把异常断点后的正常值也“污染”了。比如传感器故障停采 3 小时，后面恢复，这时不该用前面的旧值覆盖新数据。
- 加
limit参数限制连续填补个数：df['value'].ffill(limit=5)，最多补 5 行，防止单次长缺失污染全局 - 组合使用更安全：
df['value'].ffill(limit=3).bfill(limit=3)，优先用邻近前后值，避免单边依赖 - 注意
ffill对TimedeltaIndex也有效，但若缺失跨越多个业务周期（如周末+周一），需先用asfreq('D')对齐频率再操作
用 statsmodels.tsa.seasonal.seasonal_decompose() 做模型驱动填补
当缺失集中在周期性明显的序列中（如每小时用电量、每日访问量），简单插值会抹平季节性和趋势。此时应先分解，再分别填补残差、趋势、季节项。
立即学习“Python免费学习笔记（深入）”；
- 必须指定
period（如日频数据填period=7，小时数据填period=24），否则分解失败报ValueError: You must specify a period or x must be a pandas object with a DatetimeIndex - 分解后对
resid项用.interpolate(method='time')，对trend和seasonal用.ffill().bfill()更稳健 - 重建序列时别漏掉
model='additive'或'multiplicative'的选择——乘法模型更适合方差随均值增大的场景（如流量高峰波动更大）
真正难的不是选哪个函数，而是判断缺失机制：是随机丢失（MCAR）、依赖于观测值（MAR），还是依赖于自身历史（MNAR）？比如数据库写入失败导致某整点数据全空，属于 MNAR，这时任何插值都只是妥协。得先查日志、比对上游源，再决定是插值、标记为异常，还是弃用该段。
