使用 Pandas 填充 DataFrame 中缺失的日期或时间-Python教程-PHP中文网

使用 Pandas 填充 DataFrame 中缺失的日期或时间

心靈之曲

发布： 2025-10-12 11:49:16

原创

280人浏览过

使用 pandas 填充 dataframe 中缺失的日期或时间

本文介绍了如何使用 Pandas 填充 DataFrame 中缺失的日期或时间，即使日期时间列不是索引。通过将日期时间列设置为索引，使用 asfreq 函数，并重置索引，可以轻松地填充缺失的日期或时间，并使用指定的值进行填充。本文提供详细的代码示例，适用于不同的时间频率，如天、小时或分钟。

Pandas 提供了强大的时间序列处理功能。当 DataFrame 中的日期或时间序列存在缺失值时，我们需要填充这些缺失值，以保证数据的完整性和后续分析的准确性。本文将介绍如何使用 Pandas 填充 DataFrame 中缺失的日期或时间，即使日期时间列不是索引列。

解决方案

核心思路是将日期时间列设置为索引，然后使用 asfreq 函数重新采样，填充缺失的日期，最后重置索引。以下是具体步骤：

将日期时间列转换为 datetime 类型：确保日期时间列的数据类型是 datetime。可以使用 pd.to_datetime() 函数进行转换。
将日期时间列设置为索引：使用 set_index() 函数将日期时间列设置为 DataFrame 的索引。
使用 asfreq 填充缺失日期：使用 asfreq() 函数，指定频率（例如，'D' 表示天，'H' 表示小时，'15Min' 表示 15 分钟），并使用 fill_value 参数指定填充缺失值的值。
重置索引：使用 reset_index() 函数将索引恢复为列。

代码示例

示例 1：填充缺失的日期（天）

假设我们有以下 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：

美间AI

美间AI：让设计更简单

查看详情

     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，2000-01-08 和 2000-01-09 缺失。以下代码填充这些缺失的日期，并使用 0 填充 high 列：

df['dt_object'] = pd.to_datetime(df['dt_object'])

out = df.set_index('dt_object').asfreq('D', fill_value=0).reset_index()
print(out)

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

示例 2：填充缺失的时间（15 分钟）

假设我们有以下 DataFrame：

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)

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 00:45:00  90.2750
3 2023-12-13 01:15:00  90.3023

登录后复制

以下代码填充缺失的 15 分钟间隔，并使用 0 填充 high 列：

df['dt_object'] = pd.to_datetime(df['dt_object'])

out = df.set_index('dt_object').asfreq('15Min', fill_value=0).reset_index()
print(out)

登录后复制

输出（部分）：

              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

注意事项

asfreq 函数只能用于具有日期时间索引的 DataFrame。
fill_value 参数可以设置为任何值，具体取决于你的需求。
freq 参数的取值请参考 Pandas 官方文档，例如：'D' (天), 'H' (小时), 'T' 或 'min' (分钟), 'S' (秒)。

总结

本文介绍了使用 Pandas 填充 DataFrame 中缺失日期或时间的通用方法。通过将日期时间列设置为索引，使用 asfreq 函数，并重置索引，可以轻松地填充缺失的日期或时间，并使用指定的值进行填充。这种方法适用于不同的时间频率，可以灵活地应用于各种时间序列数据处理场景。

以上就是使用 Pandas 填充 DataFrame 中缺失的日期或时间的详细内容，更多请关注php中文网其它相关文章！