resample('m')常算错月度边界，因其按月末频率归组，将当月所有数据归入该月最后一天标签下，导致时间轴跳跃、标签不直观；真正按自然月分组应使用groupby(df.index.to_period('m'))或resample('ms', closed='left', label='left')。
resample('M') 为什么经常算错月度边界？
因为 'M' 表示“月末频率”，不是自然月；它把每条数据归到**其所在月份的最后一天**，再按那个日期聚合。比如 2023-01-15 和 2023-01-31 都会归入 2023-01-31 这个标签下，但 2023-01-31 本身是月末，而 2023-02-01 会归入 2023-02-28（或 29），导致时间轴跳跃、标签不直观。
- 真正想按“自然月”分组（如 1月1日～1月31日），该用
'MS'（Month Start）+closed='left'或直接改用groupby(df.index.to_period('M')) -
resample('M')实际生成的 DatetimeIndex 是月末时间戳，和原始数据的“所属月份”语义不一致，容易在画图或对齐其他月度指标时出错 - 如果数据里有 2023-01-31 23:59:59 这种临界值，
'M'仍把它划进当月，但'MS'会把它划进下个月的起始周期
groupby(df.index.to_period('M')) 比 resample 更稳吗？
更稳，尤其当你只想要“按自然月聚合、输出结果带 PeriodIndex 标签”时。它不引入额外的时间偏移，也不依赖 closed/right 参数博弈。
-
df.groupby(df.index.to_period('M')).sum()输出 index 是PeriodIndex(['2023-01', '2023-02', ...])，语义清晰，后续转成字符串或对齐其他月度数据更直接 - 它自动处理跨年、闰年、大小月，不用操心 2 月只有 28 天是否影响分组
- 缺点是不能像
resample那样链式调用.agg({'col1': 'sum', 'col2': 'mean'})的混合聚合——得用.apply(lambda x: pd.Series({'col1_sum': x.col1.sum(), 'col2_mean': x.col2.mean()}))
resample 里 closed 和 label 参数怎么配才不出错？
这两个参数控制“区间闭合方向”和“标签对齐位置”，必须一起看。默认 closed='right', label='right'，也就是：区间右闭、标签取右端点。
- 用
resample('MS', closed='left', label='left')才能实现“1月1日～1月31日的数据 → 标签为 2023-01-01” - 若坚持用
'M'，又想标签是月初，得写resample('M', closed='right', label='left')，但这时区间其实是上月29日～本月28日，逻辑绕且难维护 - 常见错误：只改
label='left'却没调closed，导致数据被漏掉（比如 2023-01-01 00:00:00 不属于任何'M'区间）
降频统计后时间索引变稀疏，怎么补全缺失月份？
resample 和 groupby 都不会自动补全没有数据的月份，比如 2023-03 没数据，结果里就直接跳过。要补，得手动重索引。
- 先拿到目标完整 PeriodIndex：
full_idx = pd.period_range(df.index.min(), df.index.max(), freq='M') - 再用
.reindex(full_idx, fill_value=0)（或np.nan）补空 - 注意：如果原始数据跨年但某年整年缺失（如 2022 年全空），
period_range仍会包含它，所以 min/max 要确保是真实业务覆盖范围
to_period('M') + groupby，后者才考虑 resample 及其一堆参数组合。
