本文介绍如何使用 Pandas 的 resample().agg() 方法，在单次操作中对时间序列数据按日（或其他频率）同时计算多个统计量（如均值和最大值），避免重复重采样，提升代码简洁性与执行效率。
本文介绍如何使用 pandes 的 `resample().agg()` 方法，在单次操作中对时间序列数据按日（或其他频率）同时计算多个统计量（如均值和最大值），避免重复重采样，提升代码简洁性与执行效率。
在处理金融、物联网或传感器等高频时间序列数据时，常需按固定周期（如每日、每小时）聚合多种统计指标。例如，既需要每日价格与成交量的平均值，又需其当日最高值——若分别调用 .mean() 和 .max()，不仅代码冗余，还会触发两次独立的重采样计算，降低性能。
Pandas 提供了灵活且高效的解决方案：resample().agg() 支持为不同列指定不同的聚合函数，甚至为同一列应用多个函数。核心语法如下：
df.resample('1D').agg({
'price': ['mean', 'max'],
'vol': ['mean', 'max']
})
该调用将返回一个具有 MultiIndex 列名的 DataFrame（如 ('price', 'mean')），为提升可读性与下游兼容性，建议重命名列：
import pandas as pd
# 构造示例数据
df = pd.DataFrame({
'price': [56, 70, 92, 94, 81, 70, 56, 68, 59, 86],
'vol': [1544, 1680, 1853, 1039, 1180, 1443, 1621, 1093, 1684, 1591]
}, index=pd.to_datetime([
'2017-01-01 08:00:00', '2017-01-01 11:00:00', '2017-01-01 14:00:00',
'2017-01-02 08:00:00', '2017-01-02 11:00:00', '2017-01-02 14:00:00',
'2017-01-03 08:00:00', '2017-01-03 11:00:00', '2017-01-03 14:00:00',
'2017-01-04 08:00:00'
]))
# 单步完成多指标重采样
result = df.resample('1D').agg({
'price': ['mean', 'max'],
'vol': ['mean', 'max']
})
# 展平列名，匹配预期输出格式
result.columns = ['price_mean', 'price_max', 'vol_mean', 'vol_max']
print(result)
输出结果为标准扁平化 DataFrame：
price_mean price_max vol_mean vol_max 2017-01-01 72.666667 92 1692.333333 1853 2017-01-02 81.666667 94 1220.666667 1443 2017-01-03 61.000000 68 1466.000000 1684 2017-01-04 86.000000 86 1591.000000 1591
注意事项：
- 确保原始 DataFrame 的索引为 DatetimeIndex，否则 resample() 将报错；可使用 df.index = pd.to_datetime(df.index) 转换；
- 频率字符串（如 '1D'）支持多种单位（'D', 'H', 'M', 'W' 等），注意大小写敏感；
- 若需自定义函数（如带参数的 np.quantile），可传入 lambda 或命名函数，例如 'price': lambda x: x.quantile(0.95)；
- 对于大规模数据，agg() 的向量化实现比循环调用 .mean()/.max() 性能更优，且逻辑更清晰、不易出错。
综上，resample().agg() 是 Pandas 时间序列分析中实现多指标聚合的推荐范式，兼顾表达力、可维护性与运行效率。
