重采样必须用 resample(),它是专为时间索引设计的唯一正确入口,自动处理频率对齐、区间开闭和标签位置;groupby(pd.Grouper())逻辑不同,asfreq()不聚合;索引须为排序后的DatetimeIndex;聚合需链式调用如.mean(),how参数已弃用。

重采样必须用 resample(),不是 groupby() 或 asfreq()
直接调用 resample() 是唯一正确入口,它专为时间索引设计,会自动处理频率对齐、闭区间/开区间、标签位置等细节。用 groupby(pd.Grouper(freq=...)) 虽然能凑合,但默认分组逻辑和 resample() 不一致;asfreq() 只是简单取值(如前向填充或截断),不聚合,不能算“降频转换”。
前提条件:DataFrame 或 Series 的索引必须是 DatetimeIndex,且已排序。否则会报 ValueError: Only valid with DatetimeIndex, TimedeltaIndex or PeriodIndex 或结果错乱。
- 检查索引类型:
df.index.dtype应为datetime64[ns] - 强制转索引:
df = df.set_index('time_col').sort_index() - 避免常见错误:传入字符串频率但没设索引,比如
df.resample('1H')却忘了set_index()
resample() 的 how 参数已弃用,聚合必须显式调用方法
旧写法 df.resample('1D', how='mean') 在 pandas ≥ 1.0 中会报 FutureWarning 并失效。现在必须链式调用聚合方法,例如 .mean()、.sum()、.first() 等。
高频降频本质是「按新频率分桶 + 桶内聚合」,不同业务场景选不同聚合逻辑:
立即学习“Python免费学习笔记(深入)”;
Camoufox 是一个基于 Firefox 构建的开源反检测浏览器,为 Python 自动化工作流程提供强大的指纹注入和反机器人检测规避功能。它与 Playwright 集成,以提供能够绕过现代机器人检测系统的隐身浏览能力。
- 传感器均值:用
.mean(),但注意缺失值——默认跳过NaN,若需保留全空桶,加min_count=1 - 交易量累计:用
.sum(),注意sum()对空桶返回0,而mean()返回NaN - 保留原始快照:用
.first()或.last(),适合状态类数据(如设备开关状态) - 自定义逻辑:用
.apply(lambda x: ...),但性能较差,别在大宽表上滥用
频率字符串和 offset 参数决定对齐方式,影响结果边界
写 '1H' 和 'H' 效果一样,但写 '2H' 就不能简写。关键在于:降频后的每一段起始时间由 origin 和 offset 控制,默认以 Unix epoch(1970-01-01)对齐,常导致首段不从你期望的时间点开始。
例如原始数据从 2023-01-01 00:15 开始,用 df.resample('1H').mean(),第一桶是 2023-01-01 00:00–00:59,但该时段无数据,结果为 NaN;你真正想要的是从 00:15 往后切每小时一桶。
- 解决办法:加
origin='start',让第一个桶从数据首个时间戳开始 - 更精确控制:用
offset,如resample('1H', offset='15T')表示每小时桶向后偏移15分钟 - 注意兼容性:
origin在 pandas shift() 索引再重采样
降频后缺失时间点要不要补?fill_method 已淘汰,改用 asfreq() 或 reindex()
resample() 本身不插值也不补全——它只聚合已有数据。如果你需要连续时间轴(比如画图要求每小时一个点),得额外处理。
别再用已删除的 fill_method='pad' 参数。正确做法分两步:
- 先重采样:
downsampled = df.resample('1H').mean() - 再补全空桶:
downsampled.asfreq('1H', method='ffill')(前向填充)或downsampled.reindex(pd.date_range(...), method='nearest') - 警惕陷阱:
asfreq()默认填NaN,加method才有填充行为;而reindex()若未指定method或fill_value,也会全填NaN
高频转低频看着简单,但时间对齐、空桶处理、聚合语义这三处最容易出错,尤其当数据带有时区或跨日界时,建议先用小段数据验证时间边界是否符合业务预期。

















