Python数据分析如何进行采样频率转换_Resample重采样技巧-Python教程-PHP中文网

resample() 报错因索引非 datetimeindex/timedeltaindex/periodindex；需检查并转换索引类型，正确设置 rule 与 agg，注意时区、空组处理及 downsample/upsample 差异。

python数据分析如何进行采样频率转换_resample重采样技巧

根本原因：输入 DataFrame 或 Series 没有时间索引，或者索引类型不是 DatetimeIndex、TimedeltaIndex 或 PeriodIndex。常见于读取 CSV 后忘记设索引，或索引是字符串但未转为时间类型。

先检查：df.index 看类型；df.index.dtype 看是否为 datetime64[ns]
如果索引是时间列但没设为索引，用 df.set_index('time_col', inplace=True)
如果索引是字符串（如 '2023-01-01'），必须先转换：df.index = pd.to_datetime(df.index)，否则 resample() 直接失败
注意：pd.to_datetime() 遇到无法解析的值默认转成 NaT，会污染重采样结果，建议加 errors='coerce' 并后续检查缺失

rule 决定分组粒度（比如 '1H' 表示按小时），agg 决定每组怎么聚合。选错会导致数据被错误压缩或丢失语义。

提示词大师-python版

图片提示词生成器？不止如此。马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。输入「新手指南」查看完整功能介绍

下载

常用 rule：秒级用 '1S'，分钟级用 '5T'（T 是 minute 的缩写），小时用 '1H'，天用 '1D'；避免用 'M'（月末）而不用 'MS'（月初），时区敏感场景务必用带时区的频率如 '1H' + tz_localize()
聚合方法不能一概用 mean()：高频传感器数据常需 first() 或 last() 保原始采样点；金融 OHLC 数据必须用 agg({'open': 'first', 'high': 'max', 'low': 'min', 'close': 'last', 'volume': 'sum'})
空组默认被丢弃，如某小时无数据就不出行；需要保留用 resample(...).asfreq()，再配合 fillna()

降频（如 1s → 1min）是典型 resample 场景；升频（如 1min → 1s）本质是插值，行为完全不同，容易误用。

降频默认左闭右开区间（closed='left'），即 '2023-01-01 00:00' 到 '2023-01-01 00:01' 不含后者；想包含右端点改 closed='right'，同时可能需调 label='right' 控制输出时间戳位置
升频必须搭配 ffill()、bfill() 或 interpolate()，单独 resample('1S').asfreq() 只填 NaN；注意线性插值不适用于突变信号（如开关量）
大数据量下，resample 是 groupby 的封装，性能瓶颈常在聚合函数本身；避免在 apply() 里写复杂逻辑，优先用内置方法如 mean()、std()

带时区的时间序列重采样，漏掉任一环节都会导致时间偏移或聚合错位。

原始数据必须带时区：用 df.index.tz_localize('Asia/Shanghai')（本地时间转时区）或 df.index.tz_convert('UTC')（转换时区），不能只靠字符串命名
resample() 前确保索引已时区归一化，否则跨夏令时等场景会出错；例如 UTC 时间转北京时间，先 tz_convert('Asia/Shanghai') 再 resample('1D')
聚合后若需导出，记得用 tz_localize(None) 去时区（如存 CSV），否则某些下游系统（如 Excel）无法识别

时区、索引类型、聚合语义这三块最容易在调试后期才暴露问题——往往数据看起来“差不多”，但某天凌晨或跨月时突然偏差一小时或丢一组。