方法 描述 DataFrame.asfreq(freq[, method, how, …]) 用于**将时间序列数据转换为指定频率（resample to frequency）**的方法 DataFrame.asof(where[, subset]) 用于查找时间序列中最接近指定时间点的非 NaN 值 的方法 DataFrame.shift([periods, freq, axis, …]) 用于**将 DataFrame 的数据沿着指定轴移动（平移）**的方法 DataFrame.first_valid_index() 用于获取 DataFrame 中第一个非空（非 NaN）值所在的行索引 的方法 DataFrame.last_valid_index() 用于获取 DataFrame 中最后一个非空（非 NaN）值所在的行索引 的方法 DataFrame.resample(rule[, axis, closed, …]) 用于**对时间序列数据进行重采样（resampling）**的核心方法
pandas.DataFrame.resample() 是 Pandas 中用于**对时间序列数据进行重采样（resampling）**的核心方法。它类似于 SQL 中的“GROUP BY 时间窗口”操作，常用于将高频时间序列数据聚合为低频（如从分钟级到小时级、日级等），也支持升采样（插值填充）。
DataFrame. resample( rule, axis= 0 , closed= None , label= None , convention= 'start' , kind= None , on= None , level= None , origin= 'start_day' , offset= None , group_keys= False
)
参数 说明 rule时间频率字符串，如 'D'（天）、'W'（周）、'M'（月）、'Q'（季度）、'A'（年）等 axis操作轴方向，默认为 0（行方向） closed区间闭合方式，可选 'left' 或 'right'，表示区间端点是否包含 label聚合后标签的位置，可选 'left' 或 'right' convention升采样时的时间点对齐方式，如 'start', 'end'（默认 'start'） kind返回类型，可选 'period' 或 'timestamp' on对非索引的时间列进行 resample（适用于普通列而非 DatetimeIndex） level多级索引中指定某一级作为时间索引 origin起始时间对齐方式，可选 'epoch' 或 'start_day'（默认） offset时间偏移量，如 '1D' 表示起始时间向后偏移一天 group_keys是否在分组键中显示时间标签（一般不需修改）
返回一个 Resampler 对象，需要配合 .mean(), .sum(), .max() 等聚合函数使用； 原始数据不会被修改； import pandas as pd
import numpy as np
index = pd. date_range( '2025-01-01' , periods= 6 , freq= 'H' )
df = pd. DataFrame( { 'value' : [ 10 , 20 , 30 , 40 , 50 , 60 ]
} , index= index) print ( "Original DataFrame:" )
print ( df)
value
2025-01-01 00:00:00 10
2025-01-01 01:00:00 20
2025-01-01 02:00:00 30
2025-01-01 03:00:00 40
2025-01-01 04:00:00 50
2025-01-01 05:00:00 60
resampled = df. resample( '2H' ) . mean( )
print ( "\nAfter resample('2H').mean():" )
print ( resampled)
value
2025-01-01 00:00:00 15.0
2025-01-01 02:00:00 35.0
2025-01-01 04:00:00 55.0
resampled = df. resample( 'D' ) . sum ( )
print ( "\nAfter resample('D').sum():" )
print ( resampled)
value
2025-01-01 210
resampled = df. resample( '2H' , closed= 'right' , label= 'right' ) . mean( )
print ( "\nresample('2H', closed='right', label='right'):" )
print ( resampled)
value
2025-01-01 02:00:00 15.0
2025-01-01 04:00:00 35.0
2025-01-01 06:00:00 55.0
ffill）
resampled = df. resample( '30T' ) . ffill( )
print ( "\nresample('30T').ffill():" )
print ( resampled)
value
2025-01-01 00:00:00 10
2025-01-01 00:30:00 10
2025-01-01 01:00:00 20
2025-01-01 01:30:00 20
2025-01-01 02:00:00 30
...
on= 指定时间列进行 resample
df_reset = df. reset_index( )
df_reset. rename( columns= { 'index' : 'timestamp' } , inplace= True )
resampled = df_reset. resample( '2H' , on= 'timestamp' ) . mean( )
print ( "\nresample(..., on='timestamp').mean():" )
print ( resampled)
value
timestamp
2025-01-01 00:00:00 15.0
2025-01-01 02:00:00 35.0
2025-01-01 04:00:00 55.0
kind='period' 返回 Period 类型resampled = df. resample( '2H' , kind= 'period' ) . mean( )
print ( "\nresample(..., kind='period').mean():" )
print ( resampled)
value
timestamp
2025-01-01 00:00 15.0
2025-01-01 02:00 35.0
2025-01-01 04:00 55.0
场景 说明 时间序列聚合 如计算每日/每周/每月的均值、总和等 降采样（Downsampling） 将高频率数据转换为低频率（如秒级 → 分钟级） 升采样（Upsampling） 将低频率数据转换为高频率（如日级 → 小时级），通常结合 .interpolate() 或 .ffill() 缺失值处理 在升采样后填充缺失值 可视化准备 统一时间粒度便于绘图分析
必须确保索引或指定列为 DatetimeIndex 类型； resample() 不会直接返回结果，必须配合聚合函数（如 .mean(), .sum()）；支持多种频率规则，如： 'T' / 'min'：分钟'H'：小时'D'：天'W'：周'M'：月末'Q'：季度末'A'：年末 closed 和 label 控制时间区间的划分方式；origin 可控制时间窗口起点；offset 可设置时间窗口偏移（如从 1:30 开始）；on= 可用于对非索引的时间列进行 resample。方法 是否聚合 是否支持升采样 是否支持降采样 是否支持非索引时间列 .resample()✅ ✅ ✅ ✅（通过 on=） .asfreq()❌ ✅ ✅ ❌ .rolling()✅ ❌ ✅ ✅ .groupby(pd.Grouper(freq='D'))✅ ✅ ✅ ✅
规则 含义 'T' / 'min'每分钟 'H'每小时 'D'每天 'W'每周（默认周日为一周开始） 'M'每月最后一天 'Q'每季度最后一天 'A'每年最后一天 'MS'每月初第一天 'QS'每季度初第一天 'AS'每年初第一天
df. resample( 'D' ) . mean( )
df. resample( 'T' ) . ffill( )
df. resample( 'T' ) . interpolate( 'linear' )
如果你希望对时间序列进行降采样统计、升采样插值、或统一时间粒度 ，resample() 是非常强大且灵活的工具，是时间序列分析中的核心方法之一。
