Python Pandas数据重采样与频率转换及插值处理详解
发布时间：2026-10-13| 2人浏览过
本文详解Python中Pandas库的数据重采样与频率转换技术。通过resample结合asfreq实现按月、日等自定义频率的下采样，并演示asfreq的pad前向填充用法。同时介绍线性插值interpolate及前后向填充bfill/pad处理缺失值的方法，结合代码示例展示时间序列数据的变频与插值实际操作。
Pandas官方文档与学习建议
在进行Python深度数据处理时，官方文档始终是最权威且全面的参考资料。无论是CSDN、简书还是其他技术社区，其教程内容大多源自官方文档。因此，建议读者具备基本的英语阅读能力，优先查阅官方文档；即便英语基础薄弱，仅阅读其中的Sample（示例）代码也能获得极大的帮助。
数据重采样与频率转换实现
以下直接展示核心代码实现：
import pandas as pd
import numpy as np
rng = pd.date_range('20180101', periods=40)
ts = pd.Series(np.arange(1,41), index=rng)#这一行和上一行生成了一个index为时间，一共40天的数据
ts_m = ts.resample('M').asfreq()#对数据进行按月重采样，之后再asfreq()
print(ts)
print(ts_m)注：由于部分原因，该部分内容暂未完全写完，后续将补充完整。
运行结果如下：当使用月度频率'M'进行采样时，系统会提取每月的最后一天数据，例如1月31日和2月28日。需要注意的是，必须调用asfreq()方法，否则resample()仅返回一个重采样对象，无法直接获取结果。除了'M'之外，用户还可以自定义任意频率，例如'3M'代表三个月，'5T'代表五分钟，'30S'代表三十秒。更多频率设置细节请查阅官方文档。
2018-01-07 7
2018-01-08 8
2018-01-09 9
2018-01-10 10
2018-01-11 11
2018-01-12 12
2018-01-13 13
2018-01-14 14
2018-01-15 15
2018-01-16 16
2018-01-17 17
2018-01-18 18
2018-01-19 19
2018-01-20 20
2018-01-21 21
2018-01-22 22
2018-01-23 23
2018-01-24 24
2018-01-25 25
2018-01-26 26
2018-01-27 27
2018-01-28 28
2018-01-29 29
2018-01-30 30
2018-01-31 31
2018-02-01 32
2018-02-02 33
2018-02-03 34
2018-02-04 35
2018-02-05 36
2018-02-06 37
2018-02-07 38
2018-02-08 39
2018-02-09 40
Freq: D, dtype: int32
2018-01-31 31.0
2018-02-28 NaN
Freq: M, dtype: float64asfreq方法详解
关于asfreq()的具体用法，示例如下：
# to 45 minute frequency and forward fill
In [5]: converted = ts.asfreq('45Min', method='pad')
In [6]: converted.head()
Out[6]:
2011-01-01 00:00:00 0.469112
2011-01-01 00:45:00 0.469112
2011-01-01 01:30:00 -0.282863
2011-01-01 02:15:00 -1.509059
2011-01-01 03:00:00 -1.135632
Freq: 45T, dtype: float64数据插值与填充处理
既然涉及下采样，自然也包括数据插值处理。插值的具体用法如下所示：
上述代码演示了线性插值。此外，Pandas还提供了向前填充（.bfill()）和向后填充（.pad()）的方法。具体实现细节可参考官方文档，官方文档确实是最佳的学习资源。
>>> s = pd.Series([0, 1, np.nan, 3])
>>> s.interpolate()
0 0
1 1
2 2
3 3
dtype: float64以上关于Python数据处理中Pandas数据变频或插值的实例分享完毕，希望能为读者提供参考。欢迎大家多多支持本站，获取更多技术内容。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
