在处理不规则负载日期和缺失余额的每日余额变动时，可以使用Python的pandas库来完成。下面是一个代码示例：

import pandas as pd

# 创建一个示例数据表格
data = {
    '日期': ['2022-01-01', '2022-01-02', '2022-01-04', '2022-01-05', '2022-01-07'],
    '负载': [100, 200, -150, -50, 300],
    '余额': [0, 100, 300, 150, 200]
}

df = pd.DataFrame(data)
df['日期'] = pd.to_datetime(df['日期']) # 将日期列转换为日期类型

# 创建一个包含所有日期的日期范围
start_date = df['日期'].min()
end_date = df['日期'].max()
date_range = pd.date_range(start_date, end_date, freq='D')

# 使用reindex函数重新索引，填充缺失日期
df = df.set_index('日期').reindex(date_range).reset_index()

# 使用fillna函数填充缺失余额
df['余额'] = df['余额'].fillna(method='ffill') # 使用前向填充法填充缺失值

# 计算每日余额变动
df['每日余额变动'] = df['余额'].diff()

print(df)

以上代码的思路是首先将日期列转换为日期类型，并创建一个包含所有日期的日期范围。然后使用pandas的reindex函数重新索引，填充缺失日期。接着使用fillna函数填充缺失余额，这里使用的是前向填充法，即用前一天的余额填充缺失值。最后，计算每日余额变动，即每个日期的余额减去前一天的余额。

输出结果如下：

        日期     负载     余额  每日余额变动
0 2022-01-01  100.0    0.0     NaN
1 2022-01-02  200.0  100.0   100.0
2 2022-01-03    NaN  100.0     0.0
3 2022-01-04 -150.0  300.0   200.0
4 2022-01-05  -50.0  150.0  -150.0
5 2022-01-06    NaN  150.0     0.0
6 2022-01-07  300.0  200.0    50.0

可以看到，日期列中缺失的日期被填充了，并且余额列中缺失的值被前一天的余额值填充了。同时，新增了一个每日余额变动列，用于记录每天的余额变动情况。