时间序列处理核心是索引为DatetimeIndex且有序，重采样通过resample按rule聚合；需用pd.to_datetime和set_index设索引、sort_index排序；注意closed方向、时区及offset对齐。
时间序列数据在Python中处理的核心是让索引具备时间语义，并通过重采样实现频率转换。关键在于：索引必须是DatetimeIndex，且数据需按时间排序；重采样不是简单插值，而是按新频率对原始数据做聚合（如求和、均值）或下采样/上采样。
确保时间索引正确且有序
很多问题源于索引未正确设置或未排序：
- 用
pd.to_datetime()将列转为时间类型，再用set_index()设为索引，比直接index_col更可控 - 务必调用
.sort_index()——即使原始数据看起来有序，pandas也不保证索引物理顺序与逻辑顺序一致 - 检查索引类型：
type(df.index)应为DatetimeIndex；若为Index或RangeIndex，重采样会报错或静默失败
掌握resample的核心参数与聚合逻辑
resample()本质是分组操作，按新频率切分时间窗口后应用聚合函数：
-
rule参数写法要准确：'D'（日）、'M'（月末）、'MS'（月初）、'15T'（15分钟）、'2H'（2小时） - 聚合方式决定结果含义：下采样常用
.mean()（均值）、.sum()（累计量）、.first()（首值）；上采样需配合.ffill()或.interpolate() - 注意闭合方向：
closed='left'表示窗口左闭右开（默认），影响边界点归属，例如resample('M').sum()默认统计当月1日至下月1日0时前的数据
处理缺失与不规则时间点
真实数据常有缺失或跳跃，需主动干预：
立即学习“Python免费学习笔记（深入）”；
- 重采样后自动引入
NaN：若某时间段无原始数据，对应结果即为NaN；可用.fillna()或.bfill()填充 - 避免“隐式填充”：不要依赖
asfreq()代替resample()，它只是对齐频率、不聚合，易造成数据误读 - 对不规则高频数据（如传感器秒级记录），先
resample('1Min').mean()降频，再用.dropna()清理全空窗口，比插值更稳健
时区与周期对齐技巧
跨时区或需按自然周期（如工作日、财年）汇总时：
- 带时区的索引更可靠：
df.index = df.index.tz_localize('Asia/Shanghai')或.tz_convert('UTC')，避免夏令时歧义 - 用
offset参数调整对齐点：例如resample('M', offset='1D')让每月汇总从2号开始，而非默认的1号 - 财务周期可用
'BM'（月末营业日）、'BQS-JUN'（6月结束的季度营业日），比手动过滤更简洁
