本文详解如何使用 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）同时计算多个聚合指标（如 price 和 vol 的均值与最大值），避免重复重采样，提升代码效率与可读性。
本文详解如何使用 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）同时计算多个聚合指标（如 price 和 vol 的均值与最大值），避免重复重采样，提升代码效率与可读性。
在处理金融、物联网或传感器等时间序列数据时，常需按固定周期（如每日、每小时）提取多维度统计特征——例如既需要某资产的日均价格和日均成交量，又需其当日最高价和当日最大成交量。若分别调用 .resample('1D').mean() 和 .resample('1D').max()，不仅代码冗余，还会触发两次独立的重采样计算，降低性能且易引发索引对齐问题。
幸运的是，pandas 提供了高度灵活的聚合接口：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。核心方案如下：
import pandas as pd
# 构建示例数据（含 datetime 索引）
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'
]))
# 单次重采样 + 多函数聚合：为 price 和 vol 分别计算 mean 与 max
result = df.resample('1D').agg({
'price': ['mean', 'max'],
'vol': ['mean', 'max']
})
# 扁平化列名，符合预期输出格式（price_mean, price_max, vol_mean, vol_max）
result.columns = ['price_mean', 'price_max', 'vol_mean', 'vol_max']
print(result)输出结果为：
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
✅ 关键要点说明：
- agg({...}) 接收字典，键为列名，值为函数列表（支持字符串如 'mean'，也可传入自定义函数）；
- 聚合后列名为 MultiIndex（如 ('price', 'mean')），需通过 columns = [...] 显式重命名以获得扁平、语义清晰的列结构；
- 时间频率字符串（如 '1D'）支持多种格式：'D'（日）、'H'（小时）、'W'（周）、'MS'（月初）等，详见 pandas offset aliases；
- 若需更多统计量（如 min, std, count），只需在对应列表中追加即可，例如 'price': ['mean', 'max', 'min', 'std']。
⚠️ 注意事项：
- 输入 DataFrame 的索引必须是 datetime 类型（pd.DatetimeIndex），否则 resample() 将报错；可通过 df.index = pd.to_datetime(df.index) 强制转换；
- 对于缺失时间点（如某日无数据），resample().agg() 默认返回 NaN，如需填充可用 .fillna() 或 .asfreq() 配合插值策略；
- 若需保留原始时间戳信息（如取最大值对应的原始时间），应改用 resample().apply() 结合 idxmax() + loc 实现，但会牺牲部分性能。
综上，resample().agg() 是实现高效、可读、可扩展时间序列多指标聚合的首选方案——一次重采样，多重洞察。
