在能源管理与设备监控中，我们常通过仪表的累计读数来推算某段时间的能耗。当原始采集数据跨越年度且存在断点，直接相减会得到错误结果。利用时间插值法在时序数据框中补全跨年读数，是精确计算周期能耗的实用手段。
为什么跨年读数会缺失
许多老旧系统按日或按周落库，遇到节假日或通信故障就会丢点。由于能耗是累计值，一旦某天读数丢失，年末与年初的边界周期就无法闭合。下面列出常见原因：
- 采集设备离线导致整段记录空白
- 数据库只保留整数日，忽略跨年瞬时值
- 人工抄表跳过了法定节假日
用pandas做时间插值补全
我们可以把读数放入以时间为索引的DataFrame，先重采样到固定频率，再用时间插值填补NaN。核心是使用interpolate方法的time模式。
示例数据构建与处理
以下代码演示如何生成跨年缺失数据并补全：
import pandas as pd
import numpy as np
# 构造跨年时间点，故意缺失部分读数
idx = pd.date_range('2023-12-29', '2024-01-02', freq='12H')
vals = [100, 106, np.nan, np.nan, 130, 138]
df = pd.DataFrame({'reading': vals}, index=idx)
# 重采样到每小时并时间插值
df_h = df.resample('1H').asfreq()
df_h['reading_itp'] = df_h['reading'].interpolate(method='time')
print(df_h)
上述代码中，resample('1H')把数据扩展到每小时，interpolate(method='time')依据时间间隔线性补齐。补全后任意周期能耗可用末尾减起始得到。
精确计算周期能耗
假设要算2023-12-31到2024-01-01的能耗，只需取边界插值读数相减：
start = df_h['reading_itp'].asof('2023-12-31 00:00:00')
end = df_h['reading_itp'].asof('2024-01-01 00:00:00')
energy = end - start
print('跨年日能耗:', energy)
注意事项
时间插值默认假设读数均匀变化，若仪表在断点期间大幅波动，应结合业务做分段处理。另外，使用asof可取最近有效值，避免边界外推误差。
| 方法 | 适用场景 | 精度 |
|---|---|---|
| 线性时间插值 | 平稳消耗 | 高 |
| 向前填充 | 短时丢点 | 中 |
| 多项式插值 | 曲线变化 | 较高 |
通过合理使用时间插值法，跨年时序数据框的读数缺口被平滑补全，周期能耗计算便能回归准确，为后续分析与计费提供可靠基础。