本文介绍如何使用 Pandas 对高频采样频谱数据进行时间维度下采样，将原始 0.25 秒间隔的列压缩为 1 秒间隔（即每 4 列合并为 1 列），核心方法是利用 .resample() 配合时间索引转置操作，兼顾准确性与可读性。
本文介绍如何使用 pandas 对高频采样频谱数据进行时间维度下采样，将原始 0.25 秒间隔的列压缩为 1 秒间隔（即每 4 列合并为 1 列），核心方法是利用 `.resample()` 配合时间索引转置操作，兼顾准确性与可读性。
在处理射电信号探测器采集的频谱数据时，常见结构为：行表示频率通道（200 行），列表示时间采样点（3600 列，每列对应 0.25 秒）。当业务需求要求将时间分辨率从 0.25 秒降低至 1 秒（即降为原分辨率的 1/4），本质是将每连续 4 列按时间对齐后取均值，生成 900 列新数据。
Pandas 提供了优雅且高性能的解决方案——resample() 方法，但需注意其设计前提：时间信息必须作为索引（而非普通列），且 resample 默认作用于行方向（即对时间索引重采样）。由于你的原始数据中时间信息隐含在列名中（如第 1 列 = t=0.0s，第 2 列 = t=0.25s…），因此关键步骤是：
-
为列构建时间索引：将列名转换为
DatetimeIndex，频率设为"250ms"； -
转置数据以适配 resample：
resample期望时间索引在行上，故先.T将时间列变为行索引； -
执行重采样与聚合：调用
.resample("1s").mean()，自动按 1 秒窗口分组并计算均值； -
转回原始结构：再次
.T恢复“频率为行、时间为列为”的格式。
以下是完整可运行示例：
import pandas as pd
import numpy as np
# 1. 构造模拟数据（200 频率通道 × 3600 时间点，0.25s 间隔）
count = 3600
time_index = pd.date_range("2025-04-01", periods=count, freq="250ms")
df = pd.DataFrame({
f"freq {i}MHz": np.random.randn(count) * 100
for i in range(1, 201)
}, index=time_index).T # 转置：频率为行，时间为列
# 2. 下采样：每 4 列（1 秒）合并为 1 列
df_downsampled = df.T.resample("1s").mean().T
print(f"原始形状: {df.shape}") # (200, 3600)
print(f"下采样后形状: {df_downsampled.shape}") # (200, 900)
✅ 为什么推荐 resample 而非手动切片？
- 自动处理边界对齐（如时间戳是否严格等距）；
- 支持多种聚合函数（
.mean(),.max(),.std()等）； - 兼容缺失值（
skipna=True默认）； - 性能优于循环或
groupby手动分组。
⚠️ 注意事项：
- 若原始 CSV 中列名并非时间戳（如
"col_0","col_1"），需先用pd.date_range(...)重建列索引：df.columns = pd.date_range("2025-04-01", periods=len(df.columns), freq="250ms") -
resample要求索引单调递增且无重复，建议加载后校验：df.columns.is_monotonic_increasing； - 若需保留原始列名映射（如记录每组包含哪些原始列），可结合
pd.Grouper或自定义分组逻辑，但对标准等间隔场景非必需。
通过该方法，你可在一行核心代码内完成专业级时间下采样，既满足工程精度要求，又保持代码简洁可维护。
