使用 Pandas DataFrame 填充缺失日期/时间行的实用指南-Python教程-PHP中文网

使用 Pandas DataFrame 填充缺失日期/时间行的实用指南

聖光之護

发布： 2025-10-13 10:55:46

原创

727人浏览过

使用 pandas dataframe 填充缺失日期/时间行的实用指南

本文档旨在提供一个清晰且通用的方法，用于在 Pandas DataFrame 中填充缺失的日期或时间行。通过将日期/时间列设置为索引并使用 `asfreq` 函数，我们可以轻松地插入缺失的行，并使用指定的值进行填充，从而确保时间序列数据的完整性。

在处理时间序列数据时，经常会遇到数据缺失的情况，尤其是在日期或时间序列中存在间隔。Pandas 提供了强大的工具来处理这些缺失值，本教程将介绍如何使用 asfreq 函数来填充 DataFrame 中缺失的日期或时间行。

准备工作

首先，确保你已经安装了 Pandas 库。如果没有安装，可以使用 pip 进行安装：

pip install pandas

登录后复制

示例数据

为了更好地理解，我们使用以下示例 DataFrame：

import pandas as pd

data = {'dt_object': ['2000-01-03', '2000-01-04', '2000-01-05', '2000-01-06', '2000-01-07', '2000-01-10', '2000-01-11', '2000-01-12'],
        'high': [27.490000, 27.448000, 27.597000, 27.597000, 27.174000, 28.090000, 29.250000, 28.850000]}
df = pd.DataFrame(data)

print(df)

登录后复制

输出：

   dt_object    high
0  2000-01-03  27.490
1  2000-01-04  27.448
2  2000-01-05  27.597
3  2000-01-06  27.597
4  2000-01-07  27.174
5  2000-01-10  28.090
6  2000-01-11  29.250
7  2000-01-12  28.850

登录后复制

可以看到，在 '2000-01-07' 和 '2000-01-10' 之间缺失了 '2000-01-08' 和 '2000-01-09'。

使用 asfreq 填充缺失日期

以下是使用 asfreq 函数填充缺失日期的步骤：

将 'dt_object' 列转换为 datetime 类型：
```
df['dt_object'] = pd.to_datetime(df['dt_object'])
```
登录后复制
将 'dt_object' 列设置为索引：
```
df = df.set_index('dt_object')
```
登录后复制
使用 asfreq 函数填充缺失日期，并指定填充值为 0：
```
df = df.asfreq('D', fill_value=0)
```
登录后复制
其中，'D' 表示按天填充。

FashionLabs
AI服装模特、商品图，可商用，低价提升销量神器

38

查看详情
重置索引，使 'dt_object' 再次成为列：
```
df = df.reset_index()
```
登录后复制

完整的代码如下：

import pandas as pd

data = {'dt_object': ['2000-01-03', '2000-01-04', '2000-01-05', '2000-01-06', '2000-01-07', '2000-01-10', '2000-01-11', '2000-01-12'],
        'high': [27.490000, 27.448000, 27.597000, 27.597000, 27.174000, 28.090000, 29.250000, 28.850000]}
df = pd.DataFrame(data)

df['dt_object'] = pd.to_datetime(df['dt_object'])
df = df.set_index('dt_object')
df = df.asfreq('D', fill_value=0)
df = df.reset_index()

print(df)

登录后复制

输出：

   dt_object    high
0 2000-01-03  27.490
1 2000-01-04  27.448
2 2000-01-05  27.597
3 2000-01-06  27.597
4 2000-01-07  27.174
5 2000-01-08   0.000
6 2000-01-09   0.000
7 2000-01-10  28.090
8 2000-01-11  29.250
9 2000-01-12  28.850

登录后复制

可以看到，缺失的日期 '2000-01-08' 和 '2000-01-09' 已经成功填充，并且 'high' 列的值被设置为 0。

处理更细粒度的时间间隔

asfreq 函数不仅可以处理天级别的时间间隔，还可以处理更细粒度的时间间隔，例如小时、分钟等。

以下是一个处理 15 分钟时间间隔的示例：

import pandas as pd

data = {'dt_object': ['2023-12-13 00:00:00', '2023-12-13 00:15:00', '2023-12-13 00:45:00', '2023-12-13 01:15:00'],
        'high': [90.1216, 90.1308, 90.2750, 90.3023]}
df = pd.DataFrame(data)

df['dt_object'] = pd.to_datetime(df['dt_object'])
df = df.set_index('dt_object')
df = df.asfreq('15Min', fill_value=0)
df = df.reset_index()

print(df)

登录后复制

输出：

              dt_object    high
0   2023-12-13 00:00:00  90.1216
1   2023-12-13 00:15:00  90.1308
2   2023-12-13 00:30:00   0.0000
3   2023-12-13 00:45:00  90.2750
4   2023-12-13 01:00:00   0.0000
5   2023-12-13 01:15:00  90.3023

登录后复制

在这个例子中，'15Min' 表示按 15 分钟的时间间隔填充缺失的时间点。