必须先将时间列设为DatetimeIndex再重采样：用set_index转索引，to_datetime转换类型（errors='coerce'处理非法值），再sort_index排序；补全用asfreq()而非resample().asfreq()；自定义范围用reindex()配合date_range；NaN需按业务含义谨慎填充。
用 resample() 前必须确保索引是 datetime 类型
直接对普通列调用 resample() 会报 TypeError: Only valid with DatetimeIndex, TimedeltaIndex or PeriodIndex。Pandas 的重采样只认索引，不是任意时间列。
实操建议：
- 先用
df.set_index('time_col')把时间列设为索引 - 再用
pd.to_datetime()强制转换索引类型：df.index = pd.to_datetime(df.index) - 如果原始时间列含非法值（如空字符串、'N/A'），
pd.to_datetime(..., errors='coerce')会转成NaT，后续需用dropna()清理
补全固定频率网格：用 asfreq() 比 resample().asfreq() 更直接
resample() 是聚合操作（如求均值、计数），而补全缺失时间点本质是“按频率对齐”，asfreq() 才是语义准确的工具。
常见错误：写成 df.resample('1H').asfreq() —— 这会先按小时分组再取首值，若某小时内有多条记录，只保留第一条；且无法补全完全空缺的小时段（除非加 closed='left' 等参数，逻辑变复杂）。
立即学习“Python免费学习笔记（深入）”；
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
正确做法：
- 确保索引是
DatetimeIndex并已排序：df = df.sort_index() - 直接调用
df.asfreq('1H')，它会在最小到最大时间范围内，以 1 小时为步长生成完整索引，缺失位置填NaN - 支持频率字符串如
'5T'（5 分钟）、'1D'（日）、'MS'（月初）
补全不规则起止范围或自定义时间点：用 reindex()
当需要从特定开始时间补到特定结束时间（比如补足整月，哪怕原始数据只覆盖月中几天），或者想插入一组手工指定的时间戳时，asfreq() 不够灵活。
实操建议：
- 构造目标时间索引：
full_idx = pd.date_range(start='2024-01-01', end='2024-01-31', freq='D') - 用
df.reindex(full_idx)对齐，缺失位置自动填NaN - 若原始索引含时区（如
UTC），目标date_range也需带相同时区，否则reindex()会静默失败（返回全NaN） - 可传
method='ffill'或fill_value=0控制填充方式，但默认就是NaN
补全后处理 NaN：别直接用 fillna(0) 盖掉所有空值
时序数据中，NaN 可能代表“无观测”或“设备离线”，而 0 可能有实际物理意义（如功率为 0）。盲目填充会扭曲统计结果和后续建模。
更稳妥的做法：
- 先检查缺失模式：
df.isna().sum()看哪几列空、空多少；df.index.to_series().diff().value_counts()看时间间隔是否真均匀 - 若确认是纯缺失（非业务含义的零），再选填充策略：前向填充（
ffill）适合缓变信号，插值（interpolate()）适合连续变量，但别在跨天/跨设备断点处硬插 - 保留原始缺失状态，把
NaN显式标记为missing_flag = df.isna().any(axis=1)，供后续分析区分
