本文讲解如何在处理温度与湿度时间序列数据时，对文件中出现的0值进行插值修复：用其前后相邻的非零值平均值替代，避免因边界索引错误或逻辑冲突导致插值失效。
本文讲解如何在处理温度与湿度时间序列数据时，对文件中出现的0值进行插值修复：用其前后相邻的非零值平均值替代，避免因边界索引错误或逻辑冲突导致插值失效。
在热指数（Heat Index）计算项目中，原始数据常含异常值（如 0），需在计算前进行合理插值处理。你原本希望对每个 0 值用其前一个有效值与后一个有效值的平均值替换（例如序列 34, 21, 0, 42 中，0 应被 (21 + 42) / 2 = 31.5 替代），但原代码存在两个关键问题：
- 逻辑冲突：if Hx == 0: ... elif Hx == 0: 中 elif 永远不会执行；
- 时序错误：在逐行读取并构建 Hlist 的同一循环中尝试访问 Hlist[i+1]，此时后续元素尚未读入，必然越界或取到错误值。
✅ 正确做法是：分两阶段处理——先完整加载原始数据，再统一清洗，最后计算指标。
✅ 推荐重构方案
def handle_missing_values(data_list):
"""对列表中所有0值，用其前后最近的非零值平均值替换（跳过边界处无法配对的0）。"""
if len(data_list) <= 2:
return data_list.copy()
result = data_list.copy()
for i in range(len(data_list)):
if data_list[i] == 0:
# 向左找第一个非零值
left = None
for j in range(i - 1, -1, -1):
if data_list[j] != 0:
left = data_list[j]
break
# 向右找第一个非零值
right = None
for j in range(i + 1, len(data_list)):
if data_list[j] != 0:
right = data_list[j]
break
# 仅当左右均有有效值时才插值
if left is not None and right is not None:
result[i] = (left + right) / 2.0
# 否则保留0（或可设为left/right中存在者，按需调整）
return result
# 第一阶段：完整读取原始数据
Tlist, Hlist = [], []
with open('Temperature365.txt') as Tf, open('Humidity365.txt') as Hf:
for Tl, Hl in zip(Tf, Hf):
Tlist.append(float(Tl.strip()))
Hlist.append(float(Hl.strip()))
# 第二阶段：批量清洗——对湿度和温度均应用插值（若温度中也有0）
Hlist = handle_missing_values(Hlist)
Tlist = handle_missing_values(Tlist) # 可选：根据实际数据质量决定
# 第三阶段：计算并输出结果
print("Day\tTemperature(C)\tHumidity(%)\tHeat Index\tStatus")
print("---" * 22)
for i, (Tx, Hx) in enumerate(zip(Tlist, Hlist), start=1):
hi_val = cal_hi(Tx, Hx)
status = whatstatus(hi_val)
print(f"{i}\t{Tx:.2f}\t\t{Hx:.2f}\t\t{hi_val:.2f}\t\t{status}")
if i % 30 == 0:
input("Press <ENTER> to continue")⚠️ 注意事项与增强建议
- 边界处理更鲁棒：上述 handle_missing_values 使用双向扫描查找最近非零值，而非简单取 i−1/i+1 下标，能应对连续多个 0（如 12, 0, 0, 0, 45）或首尾 0 的情况；
- 避免静默失败：若某 0 值无左右非零邻居（如全零序列），当前逻辑保留 0；你可改为抛出警告或用线性插值/前向填充等策略；
- 性能考量：对 365 天数据，O(n²) 扫描可接受；若数据量极大，可用双指针预处理左右最近非零索引表（O(n)）；
- 验证插值效果：建议在清洗后添加校验：
zeros_remaining = sum(1 for x in Hlist if x == 0) print(f"Remaining zeros after interpolation: {zeros_remaining}")
通过分离「数据加载 → 数据清洗 → 指标计算」三阶段，逻辑清晰、易于调试，且真正实现了“用前后有效值平均替代零值”的原始需求。
