Python处理时间序列数据的核心是用DatetimeIndex作为索引并正确重采样：先将时间列设为datetime64[ns]类型索引，确保单调递增无重复；再依业务需求用resample进行降频聚合（如“M”月度求和）或升频插值（如“D”.asfreq().interpolate），同时注意时区对齐与周期偏移。
Python处理时间序列数据，核心在于让时间成为数据的“主键”——也就是用日期索引（DatetimeIndex）组织数据，并通过重采样（resample）灵活聚合或转换频率。这两步做对了，后续分析、建模、可视化才真正顺畅。
用日期索引替代普通整数索引
时间序列不是普通表格：行顺序本身携带时间逻辑，不能靠位置编号来理解。pandas要求把时间列设为索引，并转成标准的DatetimeIndex，否则很多时间操作会失效或报错。
常见做法是：
- 读取数据时直接解析日期列：pd.read_csv("data.csv", parse_dates=["date"], index_col="date")
- 或读取后手动设置：df["date"] = pd.to_datetime(df["date"]); df = df.set_index("date")
- 检查是否成功：df.index.dtype 应返回 datetime64[ns]
注意：索引必须严格递增且无重复（除非业务允许），可用 df.index.is_monotonic_increasing 和 df.index.has_duplicates 快速验证。
按需重采样：从高频到低频（降频）
降频是最常见的重采样场景，比如把每分钟数据聚合成每小时均值，或把日度销售汇总为月度总额。
立即学习“Python免费学习笔记（深入）”；
基本语法是：df.resample("M").sum()（月度求和）、df.resample("H").mean()（小时均值）等。
其中频率字符串如 "D"（日）、"W"（周）、"M"（月末）、"MS"（月初）、"Q"（季末）需准确匹配业务含义。
关键细节：
- 默认按左边界对齐（如 "M" 对应每月最后一天），可用 closed="left" 或 label="left" 调整对齐方式
- 若原始数据含缺失时间点，resample 后会自动补出空行（NaN），可接 dropna() 或 fillna() 处理
- 支持多列不同聚合方式：df.resample("D").agg({"sales": "sum", "price": "mean"})
升频与插值：从低频到高频（升频）
升频本身不生成新信息，但常用于对齐、绘图或为模型准备固定间隔输入。例如将月度数据扩展为每日数据。
典型流程：
- 先 resample 到目标频率：df.resample("D").asfreq()（直接填充 NaN）
- 再插值填补空缺：df.resample("D").asfreq().interpolate(method="time")
- 或前向填充：df.resample("D").ffill()
注意：不要对非数值列直接 resample；升频后的数据需明确标注是“推算”而非实测，避免误用。
处理时区与周期性偏移
跨时区数据（如全球服务器日志）需统一时区，否则重采样结果会错位。例如：
df.index = df.index.tz_localize("UTC").tz_convert("Asia/Shanghai")
之后再 resample，才能保证“每天0点”对应本地真实起始时刻。
对于有固定业务偏移的场景（如财年从4月开始），可用偏移别名：df.resample("A-APR").sum() 表示“以每年4月为财年末”的年度聚合。
