直接用 set_index('col', inplace=True) 设时间索引，但需确保列是 datetime64 类型、单调递增、无重复、有频率信息，否则 resample、asfreq、切片等操作会失效或报错。
直接用 set_index('col') 就行，但别忘了 inplace=True 否则白设
调用 set_index('col') 默认返回新 DataFrame，原数据不变。很多人跑完没效果，就是卡在这儿——以为设了，其实只是“算了一次”。
实操建议：
- 要修改原 DataFrame，必须加
inplace=True：df.set_index('date', inplace=True) - 如果列里有重复值，
set_index不报错但后续按索引取值（如df.loc['2023-01-01']）可能返回多行，容易误判 - 时间列设索引前，先确认类型是
datetime64，否则会当成普通 object 索引，无法用resample或asfreq
时间列不是 datetime 类型？先用 pd.to_datetime() 转再设索引
常见错误现象：set_index('date') 成功了，但 df.resample('M').sum() 报错 TypeError: Only valid with DatetimeIndex, TimedeltaIndex or PeriodIndex。
原因：索引是字符串或 object 类型，不是真正的时间索引。
实操建议：
- 转类型优先于设索引：
df['date'] = pd.to_datetime(df['date'])，再df.set_index('date', inplace=True) -
pd.to_datetime()遇到脏数据（如空值、非法格式）默认转成NaT，不会崩，但设索引后这些行还在，resample会跳过它们 - 如果日期格式不统一（如混着
'2023/01/01'和'01-Jan-2023'），加errors='coerce'更稳妥
想按时间范围快速切片？索引必须是单调且无重复的
用了 df['2023-01':'2023-03'] 却只返回空或报错 KeyError，大概率是索引没排好序，或者有重复时间戳。
实操建议：
- 设完索引立刻检查：
df.index.is_monotonic_increasing和df.index.is_unique，任一为False都会影响切片 - 排序用
df.sort_index(inplace=True)，不是sort_values；重复项可选去重（df = df[~df.index.duplicated(keep='first')]）或聚合（df.groupby(level=0).first()） - 时间切片支持模糊写法（如
'2023'、'2023-06'），但前提是索引是DatetimeIndex，且频率可推断（比如日频、月频）
set_index 后时间操作变慢？可能是索引没设对频率
执行 df.asfreq('D') 或 df.resample('D').mean() 特别慢，甚至卡住，往往不是数据量问题，而是索引缺失频率信息。
实操建议：
- 设完时间索引后，检查
df.index.freq是否为None；如果是，说明 Pandas 没法自动推断规律（比如中间缺了几天、时间戳不规则） - 若数据本应是规则时间序列，可用
df = df.asfreq('D')强制补全（生成 NaN 行），再做 resample；否则 resample 会退化为 groupby，性能差很多 - 高频数据（秒级/毫秒级）设索引后记得用
df.index.round('S')或floor对齐，避免因浮点精度导致频率识别失败
时间索引的坑不在“怎么设”，而在“设完之后它到底认不认识自己”。类型、顺序、唯一性、频率——四个条件缺一不可，少一个，后续所有时间操作都可能静默失效或突然报错。
