填充是否合适实际上取决于数据集的整个结构、不同变量/列的相关性以及最终要运行的模型类型。

将使用填充，因此您必须固定每个样本的长度（最长样本的长度或固定长度 - 较长的样本将被修剪或过滤以适应该长度）。作为字符串的变量可以用空字符串填充，带数字的变量可以用零填充。然而，还有许多其他的填充方法，例如使用数值变量的平均值，甚至基于模型的填充，使用“最有意义”的值填充特定样本中的空白。像这样深入研究可能更普遍地称为插补，而不是填充 - 这在时间序列数据中很常见，其中间隙并不总是在样本的一端。

下面我概述了一种填充或标准化每个样本长度的方法。它没有专门填充。

由于您没有提到编程语言，我将给出Python中的代码片段，但在R和Julia等其他语言中也很容易实现。

该方法

根据您提供的两个示例，似乎每个示例都是一个日历日，其中有可变数量的观察。

还有一些列是字符串，而其他列是数字字符串（例如示例 2 中的第 5 列）。

在一般的时间序列分析中，希望有一个连续的数据频率。这意味着有一天给一个输入。因此，我的方法是将您的数据转换为类似于每个样本的每个变量（即列）的单个输入的形式。

这是一种通用方法，您将不得不尝试或进行更多研究，以了解这对于您的特定数据在现实中的表现。

时间戳

我会将它们用作一种索引，例如Pandas DataFrame中的索引。一行 = 一个时间戳。然后，多个变量是不同的列。

处理字符串

我将假设您的数据集在每列中具有有限数量的可能字符串。例如，第 4 列（包含名称）将始终包含给定集合中的名称。可以执行set(table2['column 4'])以查看存在哪些值（删除重复项）。甚至：

# Gather a single list containing all strings in column 4 of all samples
all_names = []
[]    # list comprehension to loop

# Check how many strings there are
from collections import Counter
counter = Counter(table2['column4'])
print(len(counter))                 # see how many unique values exist
print(counter)                      # see how many times each string appears
print(counter.most_common(5))       # see the most common 5 strings

现在假设这表明存在有限数量（很可能是这种情况），您可以考虑使用每个样本的稀疏表示（这意味着每天）。例如，如果整个数据集中的所有单词都是：（['hi', 'hello', 'wasup', 'yo', 'bonjour']删除了重复项），那么对于一个第 4 列包含 eg 的单个样本['hi', 'hello', 'yo', 'hi']，您对该样本的稀疏表示将是：[2, 1, 0, 1, 0]，因为该样本有两个“hi”，一个 '你好'，零'wasup'等等。然后，此稀疏表示将成为时间戳（该单个样本）的第 4 列的单个输入。

可能值得研究一下Scikit-Learn的DictVectorizer和CountVectorizer之类的东西。

处理数字列

正如我在开头提到的那样，您可以将它们填充到选定的长度，可能与上面基于字符串的表示的长度相匹配（或不匹配！），具体取决于您的最终模型。然后，您可以使用对您的模型有意义的值填充输入（请参阅我在答案开头提到的选项类型）。这应该再次为您提供给定日期的单个向量，其中包含数字列中的信息。