重采样前须将时间列转为datetimeindex并设为索引，检查df.index.dtype为datetime64[ns]；rule参数指定周期（如'd'日、'w-mon'周一周期、'me'月末），链式调用聚合函数；补零用.asfreq(fill_value=0)，高频降频慎用min_count防误判。
重采样前必须确保索引是DatetimeIndex
直接对DataFrame调用resample()会报TypeError: Only valid with DatetimeIndex, TimedeltaIndex or PeriodIndex，因为pandas要求时间维度必须是明确的时间索引。常见错误是把时间列留在DataFrame里当普通列，或者用了字符串类型的时间列。
实操建议：
- 用
df.set_index('time_col', inplace=True)把时间列设为索引 - 如果时间列是字符串，先用
pd.to_datetime(df['time_col'])转成datetime，再设索引 - 检查是否成功：
df.index.dtype应返回datetime64[ns] - 若原始数据有重复时间戳或时区混乱，
resample()可能静默跳过或聚合异常，建议提前用df.index.is_monotonic_increasing和df.index.is_unique验证
按日/周/月聚合的核心参数是rule和how
resample()的rule参数决定分组粒度，how（或直接链式调用聚合函数）决定统计方式。不是所有缩写都等价，比如'M'是月末，'MS'才是月初；'W'默认周日结束，'W-MON'才按周一归组。
常用rule值与说明：
-
'D'：自然日，从00:00到23:59 -
'W'：按周，终点为周日；如需周一，写'W-MON' -
'M'：月末最后一天（如1月31日、2月28日） -
'MS'：月初第一天（如1月1日、2月1日） -
'ME'等同于'M'，语义更清晰，推荐用'ME'或'MS'
聚合操作建议直接链式调用，例如：df.resample('M').sum()、df.resample('W-MON').mean()。避免用how='mean'这种旧写法，已弃用。
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
空日期补零还是跳过？用fill_method和closed控制
默认情况下，resample()只生成有数据的区间——比如某月没数据，结果里就不会出现那行。但做指标看板时往往需要补0或前向填充。
关键控制点：
- 加
closed='left'或closed='right'可调整区间闭合方向，影响边界数据归属（例如resample('M', closed='left')让1月1日00:00的数据计入1月，而非上月） - 补全所有日期用
.asfreq(fill_value=0)，例如df.resample('D').sum().asfreq('D', fill_value=0) - 前向填充用
.ffill()，但注意它只填充NaN，不补缺失的索引位置；要先.asfreq()再.ffill() - 如果原始数据带时区，
resample()后索引可能丢失时区信息，需手动加.dt.tz_localize()或.dt.tz_convert()
高频数据降频时要注意采样精度丢失
比如每分钟采集一次的传感器数据，用resample('H').mean()算小时均值，看似合理，但若某小时只缺1分钟数据，默认会返回NaN。这在监控场景中容易误判离线。
解决办法：
- 用
min_count参数放宽阈值：df.resample('H').mean(min_count=55)表示至少有55个非空值才计算均值，否则填NaN - 用
origin参数对齐采样起点，避免因数据起始时间偏移导致首段窗口过短，例如resample('D', origin='start_day') - 对计数类指标（如每日请求数），优先用
.count()而非.size()——前者忽略NaN，后者统计所有行（含NaN） - 若需保留原始时间戳做调试，可在重采样前加一列
df['original_ts'] = df.index，聚合时用agg({'value': 'mean', 'original_ts': 'first'})
时间重采样的真正难点不在语法，而在理解业务周期与rule语义的匹配关系——比如“按自然周统计”和“按滚动7天统计”是两回事，后者得用rolling('7D')而不是resample('W')。
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！
