如何在循环中正确使用前一个和后一个非零值填充当前零值

本文讲解如何处理时间序列数据中的零值插值问题：用前后相邻的非零值平均值进行替代，避免因边界索引错误或逻辑冲突导致插值失败。

在处理温度与湿度这类时间序列数据时，经常会遇到文件中的零值——它们通常是异常值，需要在计算热指数之前进行合理修复。你原本的想法很直接：对每个零值，用其前一个有效值和后一个有效值的平均值来替换。比如序列 34, 21, 0, 42，中间的 0 就应该变成 (21 + 42) / 2 = 31.5。这个思路本身没问题，但原代码却悄悄埋了两个坑。

第一个坑是逻辑冲突。代码里写的是 if Hx == 0: ... elif Hx == 0:，乍一看没问题，但仔细想想，elif 这个分支其实永远都不会被执行——因为一旦条件成立，if 就已经处理了。第二个坑更隐蔽：在逐行读取数据并构建列表的同一个循环里，直接去访问 Hlist[i+1]，此时后面的元素还没读进来呢，要么越界，要么取到乱七八糟的值。

所以，正确的做法是分两阶段来处理：先把原始数据完整加载进来，再统一清洗，最后再计算指标。这样逻辑清晰，也不容易出错。

✅ 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  to continue")

⚠️ 注意事项与增强建议

• 边界处理更鲁棒：上面这个函数用的是双向扫描，找的是距离最近的非零值，而不是简单取 i-1 或 i+1 的下标。这样一来，如果遇到连续多个零，比如 12, 0, 0, 0, 45，它也能找到左右两边的非零值，不至于出错。首尾出现零的情况也处理得比较妥当。
• 避免静默失败：如果某个零值左右都没有非零邻居（比如整个序列全是零），当前逻辑会保留这个零。你可以根据实际需求改成抛出警告，或者用线性插值、前向填充等其他策略。
• 性能考量：对于 365 天的数据量，O(n²) 的扫描完全够用。如果数据量特别大，也可以用双指针预处理出左右最近非零值的索引表，把复杂度降到 O(n)。
• 验证插值效果：建议在清洗完成后加一行校验代码，看看还有没有残留的零值，确保插值没有遗漏。

把“数据加载 → 数据清洗 → 指标计算”这三个阶段分离开，逻辑上会更清晰，调试起来也方便得多。这样一来，用前后有效值平均替代零值的原始需求，才算真正落地。