pandas.to_datetime解析时区时间必须显式指定utc=True或tz，否则返回naive时间导致resample等操作出错；跨时区聚合需先统一转UTC再用pd.Grouper+offset对齐本地日历。
用 pandas.to_datetime 解析时区感知时间戳时必须指定 utc=True 或 tz
直接读取含时区信息的字符串（如 "2024-03-15T08:30:00+08:00"）时，pandas.to_datetime 默认返回 naive datetime（无时区），后续 resample 或 groupby 会出错或静默忽略时区差异。
正确做法是显式声明时区处理逻辑：
- 若原始数据带偏移量（如
+08:00），用pd.to_datetime(s, utc=False)→ 得到datetime64[ns, pytz.FixedOffset(480)]类型； - 若想统一转为 UTC 再分析，用
pd.to_datetime(s, utc=True)→ 得到datetime64[ns, UTC]； - 若原始是本地时间且已知所属时区（如
"2024-03-15 08:30:00"属于Asia/Shanghai），需先转为 naive，再用.dt.tz_localize("Asia/Shanghai")； - 切勿混用
tz_localize和tz_convert：前者给 naive 时间“打标签”，后者对已有时区时间做转换。
resample 聚合前必须确保索引是 datetime64[ns, tz] 且时区一致
常见错误是把多个不同时区的时间序列拼成一个 DataFrame 后直接 set_index("time").resample("1H").mean() —— pandas 会报 TypeError: Cannot compare tz-naive and tz-aware timestamps，或更隐蔽地只对第一个时区生效。
实操建议：
- 所有时间列先统一转为 UTC：
df["time_utc"] = df["time"].dt.tz_convert("UTC")； - 设为索引：
df_utc = df.set_index("time_utc")； - 再 resample：
df_utc.resample("1D").agg({"value": "sum"})； - 聚合后如需按本地时区展示结果，最后用
.index.tz_convert("Asia/Shanghai")转回，不要在 resample 前做。
用 pytz 处理夏令时切换时，避免用 pytz.timezone("CST") 这类模糊缩写
"CST" 在不同系统可能指向 America/Chicago、Asia/Shanghai 或 Australia/Adelaide，pytz 会静默选错，导致夏令时边界（如 3 月第二个周日）前后时间计算偏移 1 小时。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
安全做法：
- 始终使用 IANA 时区名：
"America/New_York"、"Europe/London"、"Asia/Tokyo"； - 验证时区对象是否支持 DST：
tz = pytz.timezone("Europe/London"); tz.localize(datetime(2024,7,1))成功，但tz.localize(datetime(2024,1,1), is_dst=None)会报错，说明需明确is_dst=True/False； - 更推荐用
zoneinfo（Python 3.9+）：from zoneinfo import ZoneInfo; dt.astimezone(ZoneInfo("Europe/London"))，它对夏令时处理更鲁棒。
跨时区聚合后还原本地时间窗口，不能只靠 .tz_convert
比如你按 UTC 每天聚合一次，想看 “每个东京本地日”的总和，不能简单把 UTC 索引转为 "Asia/Tokyo" 后再 groupby(df.index.date) —— 因为 .date 取的是本地日期，而 UTC 的 2024-03-15 00:00–23:59 对应东京是 2024-03-15 09:00 至 2024-03-16 08:59，跨了两天。
正确方式是用 pd.Grouper 配合偏移：
- 先确保索引是 UTC：
df_utc.index是DatetimeIndex[tz="UTC"]； - 按东京本地日聚合：
df_utc.groupby(pd.Grouper(freq="1D", offset="9H")).sum()（东京比 UTC 快 9 小时）； - 或者更清晰：用
df_utc.index.tz_convert("Asia/Tokyo").normalize().tz_localize(None)生成分组键，再groupby； - 注意
offset不支持字符串别名（如"9H"可以，"+09:00"不行）。
时区转换本身不难，难的是聚合边界与本地日历的对齐——这一步漏掉，统计口径就错了，而且很难被肉眼发现。
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！
