时间序列降采样须用resample()配合聚合函数，关键参数包括closed（时间桶闭合方向）、label（标签对齐方式），并确认索引为DatetimeIndex；错误设置或缺失聚合会导致静默失败或结果偏移。
用 resample() 做时间序列降采样，必须设好频率和闭区间
时间序列降采样本质是“按时间桶分组再聚合”，resample() 是 pandas 最直接的入口，但它不像 groupby() 那样直观——漏掉 closed 或 label 参数，结果可能偏移一格。
-
closed='left'表示左闭右开（如'1D'默认从 00:00 开始，包含 00:00 不含 24:00） - 高频数据里有秒级或毫秒级时间戳时，
closed='right'更常见（避免把 23:59:59.999 归进下一天） - 聚合前务必确认索引是
DatetimeIndex，否则resample()会静默失败并返回原数据 - 示例：
df.resample('1H', closed='right', label='right').mean()—— 每小时聚合，以每小时末尾时间（如 13:00）作为该桶标签
降采样时选错聚合函数，NaN 会悄悄吃掉有效值
默认用 mean() 看似安全，但对含大量 NaN 的传感器数据或不规则采集流，它会把整行全算成 NaN；而 first() 或 last() 又容易丢失趋势特征。
- 用
count()先检查每桶非空点数，判断是否值得聚合：df.resample('5T').value.count() - 对数值型指标，
median()比mean()更抗异常值干扰 - 若需保留原始精度（比如温度只取整），改用
apply(lambda x: round(x.mean(), 1))，别依赖round()后接聚合 - 注意：
sum()在时间维度上通常无意义，除非你明确在算“某时段内总流量”这类累积量
asfreq() 和 resample().ffill() 不是替代方案，而是不同目的
有人看到降采样后数据变少，第一反应是“插值补点”，但 asfreq() 是重采样到固定频率并填 NaN，ffill() 是向前填充——它们不聚合，也不减少数据点数，只是让索引对齐。
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
-
asfreq('10T')：原样取每个 10 分钟时刻的值，没数据就填NaN，数据量不变 -
resample('10T').ffill()：先按 10 分钟分桶，再对每个桶用第一个非空值向前填充，仍属降采样但逻辑是“拿最近值代表整段” - 真正降采样必须带聚合函数（
mean、max、agg({...})），否则不是降采样，是重索引 - 性能上，
asfreq()最快，resample().agg()次之，resample().apply(...)最慢且易出错
多列不同聚合逻辑？别硬塞进一个 agg() 字典
当温度要均值、开关状态要众数、计数器要最大值时，用 agg({'temp': 'mean', 'status': lambda x: x.mode().iloc[0] if not x.mode().empty else np.nan, 'cnt': 'max'}) 看似简洁，实则隐患大。
-
mode()返回Series，空时抛IndexError，必须加try/except或判空逻辑 - 混合字符串和数值列时，
agg()会强制统一 dtype，可能把整数转成 float 再转 object - 更稳的做法：分开 resample，再用
pd.concat(..., axis=1)拼接结果 - 示例：
pd.concat([df.temp.resample('1H').mean(), df.status.resample('1H').apply(lambda x: x.value_counts().index[0] if len(x.value_counts()) else np.nan)], axis=1)
降采样不是“选个频率点一下”，关键是理解每个参数如何影响时间边界、空值传播和聚合语义。尤其当数据来自多个设备或不同采样周期时，先用 df.index.freq 和 df.index.inferred_freq 看清原始节奏，比急着调 resample() 更省时间。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
