本文详解如何对含 mmsi 和 departures_count 分组标识的船舶轨迹数据，按 10 分钟固定频率进行重采样，并对 calc_speed、coursechange 等多列执行线性/立方插值，避免 groupby + resample 直接调用导致的 nan 或重复值问题。
在船舶 AIS 数据分析中，原始记录常存在不规则采样间隔（如数秒至数十分钟不等），而下游建模或可视化往往要求统一时间粒度（如每 10 分钟一个观测点）。直接使用 groupby(...).resample('10Min').interpolate() 容易失败——因为 resample 在分组内默认以原始索引为基准聚合，若未对齐目标网格，会返回全 NaN 或错误复用首尾值。
正确做法是：为每个 (mmsi, departures_count) 子组独立构建 10 分钟规则时间网格，再通过 reindex → interpolate → reindex 三步完成精准插值。该方案兼顾上采样（填补密集点间的空隙）与下采样（跨大间隔插值），且天然支持多列同步处理。
以下为完整实现代码（支持线性与立方插值）：
import pandas as pd
import numpy as np
def resample_trip(g, freq='10Min', method='linear'):
"""
对单个航次子组执行等间隔重采样插值
:param g: 分组后的 DataFrame（已设 timestamp 为 DatetimeIndex）
:param freq: 目标频率，如 '10Min'
:param method: 插值方法，'linear' / 'cubic' / 'time' 等
:return: 重采样后 DataFrame，索引为规则时间点
"""
if len(g) == 0:
return g
# 步骤1：生成覆盖全程的规则时间网格（向上/向下取整到 freq 边界）
start = g.index[0].floor(freq)
end = g.index[-1].ceil(freq)
rng = pd.date_range(start, end, freq=freq)
# 步骤2：扩展索引并插值（limit_direction='both' 确保两端可插）
g_extended = g.reindex(g.index.union(rng))
g_interp = g_extended.interpolate(method=method, limit_direction='both')
# 步骤3：精确提取目标网格点（丢弃原始非网格点）
result = g_interp.reindex(rng)
return result
# 预处理：确保 timestamp 为 datetime 并设为索引
df["timestamp"] = pd.to_datetime(df["timestamp"])
df = df.set_index("timestamp")
# 按 MMSI 与航次分组，应用自定义重采样函数
out = df.groupby(["mmsi", "departures_count"], group_keys=False).apply(
resample_trip, freq='10Min', method='cubic' # ← 切换 cubic 即可启用三次样条插值
)
print(out.head(10))✅ 关键优势说明：
- 分组隔离性：每个 (mmsi, departures_count) 独立生成时间网格，避免跨航次污染；
- 插值鲁棒性：reindex(...union...) 确保原始点全部保留，interpolate(limit_direction='both') 允许双向延伸插值（尤其对起止点有效）；
- 方法灵活：仅需修改 method 参数即可切换 'linear'（默认）、'cubic'（需至少 4 个点）、'time'（按实际时间距离加权）等；
- 多列安全：所有数值列（如 calc_speed, coursechange, lat, lon）自动同步插值，无需逐列指定。
⚠️ 注意事项：
- 若某航次数据点少于 2 个，cubic 插值将退化为线性或报错，建议增加判断逻辑（如 if len(g) < 4: method = 'linear'）；
- coursechange（航向变化）存在周期性（0°/360°跳变），线性插值可能产生不合理中间值，此时应先做相位解缠（np.unwrap）再插值；
- 对超大数据集（228 万+ 行），可添加 progress_apply 或分块处理提升响应速度。
通过该方法，您将获得严格对齐的 10 分钟粒度轨迹数据，为后续速度趋势分析、航向模式挖掘或深度学习建模奠定高质量时序基础。
