如何用Pandas对不同时间戳索引的序列重采样与合并？

需求一：高分辨率数据下采样（按低分辨率区间取均值） #

无需循环，可通过pd.cut将高分辨率时间索引映射到低分辨率的区间，再用groupby计算区间均值，完全依托Pandas内置函数实现高效处理。

实现代码 #

import pandas as pd
import numpy as np

# 高分辨率数据
index1 = pd.date_range('1/1/2000', periods=30, freq='S')
d = np.array([1 for i in range(30)])
d[12:23] = 8
hi_res_data = pd.Series(d, index=index1)

# 低分辨率数据
index2 = pd.date_range('1/1/2000 00:00:00.5', periods=6, freq='5S')
low_res_data = pd.Series(range(100,106), index=index2)

# 生成区间边界：扩展右端点避免遗漏最后一段数据
bins = list(index2) + [index2[-1] + pd.Timedelta(seconds=5)]
# 将高分辨率索引分配到对应区间
hi_res_interval = pd.cut(hi_res_data.index, bins=bins, include_lowest=True)

# 按区间分组计算均值，结果对齐低分辨率时间索引
downsampled_data = hi_res_data.groupby(hi_res_interval).mean()
downsampled_data.index = index2

# 输出与手动实现的desired_data（忽略第一个0）一致的结果
print(downsampled_data.values)

需求二：低分辨率数据上采样到高分辨率索引并插值 #

利用reindex将低分辨率数据对齐到高分辨率时间索引，再通过interpolate的时间插值能力适配不规则间隔，保留原始数据的时间特性。

实现代码 #

# 上采样并使用时间插值法适配非规则时间序列
upsampled_data = low_res_data.reindex(hi_res_data.index).interpolate(method='time')

# 查看上采样插值结果
print(upsampled_data.head(10))

关键说明 #

• method='time'会根据时间间隔的长短自动计算线性插值，完美适配非规则时间索引的需求；
• 若需要其他插值逻辑，可替换method参数为'linear'（线性插值）、'nearest'（最近邻插值）等。

内容的提问来源于stack exchange，提问作者Dakiltedyaksman