resample()降频结果全为nan，主要因索引非datetimeindex、不单调或含重复时间戳；需先转为datetimeindex、排序并去重。
用 resample() 降频时，为什么结果全是 NaN？
常见现象是调用 df.resample('M').mean() 后整列变 NaN——大概率因为索引不是 DatetimeIndex，或者时间戳有重复/不单调。
- 先确认索引类型：
type(df.index)必须是pandas.core.indexes.datetimes.DatetimeIndex - 如果不是，用
df.index = pd.to_datetime(df.index)转换，再设为索引：df.set_index('time_col', inplace=True) - 检查是否单调递增：
df.index.is_monotonic_increasing，否则resample行为不可靠，先df.sort_index(inplace=True) - 重复时间戳会导致聚合失败，用
df.index.duplicated().any()检查，必要时用df[~df.index.duplicated(keep='first')]去重
rolling() 移动平均算出来和 Excel 不一样？
默认 rolling(window=5).mean() 是左对齐、包含当前行的 5 个点，而 Excel 的「移动平均」工具默认右对齐且不含当前点（即用前 N-1 个值），这是最常被忽略的偏差来源。
- 对齐方式用
center=True可居中（如窗口 5，则第 3 个点出第一个值）；用min_periods=1允许起始位置不满窗也计算 - 若要复现 Excel 行为：用
df['col'].shift(1).rolling(5).mean()，即先错开一行再滚动 - 注意
rolling默认不处理NaN，遇到空值会中断窗口计数；加min_periods=3可让至少含 3 个非空值就出结果 - 性能上，
window超过万级建议改用numba加速或分块处理，pandas 原生滚动在大数据量下明显变慢
重采样 + 移动平均组合时，顺序错了结果就全偏了
先 resample 再 rolling 和反过来，物理意义完全不同：前者是对降频后的时间序列做平滑，后者是先平滑原始高频数据、再降频——噪声抑制程度和时滞特性差异很大。
- 典型场景（如分钟级转日级均值）：必须先
resample('D').mean()得到日粒度序列，再在其上rolling(7).mean()做周滑动均值 - 如果反过来，
rolling(7)在分钟级数据上运行，窗口实际跨 7 分钟，完全无法反映周趋势 - 重采样后的索引是周期性断点（如每月最后一天），
rolling会严格按新索引顺序滑动，不会“跨月”；这点和原始时间戳连续滚动不同 - 注意
resample默认关闭闭区间行为，用closed='right'或'left'明确指定边界，否则月末采样可能漏掉当月最后一条记录
时区和夏令时会让 resample 结果跳变
带时区的 DatetimeIndex（如 UTC 或 Asia/Shanghai）在按日/月重采样时，如果底层时间戳未归一化，夏令时切换当天可能出现 23 小时或 25 小时窗口，导致聚合值异常偏高或偏低。
- 最稳妥做法：统一转成
UTC再重采样：df.index = df.index.tz_convert('UTC') - 避免直接用本地时区字符串（如
'CST'），它可能被误解析为美国中部标准时间而非中国标准时间；明确写'Asia/Shanghai' - 用
df.index.freq检查是否推断出合理频率，None表示 pandas 无法自动识别周期性，此时resample仍可工作，但逻辑全靠你指定规则 - 导出前记得把索引时区去掉：
df.index = df.index.tz_localize(None)，否则下游系统（如某些数据库或绘图库）可能报错
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！
