使用Pandas重采样时出现DataError: No numeric types to aggregate错误的求助

嘿，我来帮你拆解下这个问题～你遇到的报错核心其实有两个关键原因，咱们一个个说清楚：

1. 最可能的根源：value列并非数值类型 #

虽然你观察到数值列应该是数值格式，但Pandas大概率把它识别成了**字符串（object类型）**或者其他非数值类型，导致mean()聚合方法找不到可计算的数值列，自然就报错了。

排查方法： #

先确认value列的数据类型，运行这两行代码就能清楚：

print(dataframe['value'].dtype)
# 或者查看整个DataFrame的详细信息
dataframe.info()

如果输出结果是object，那就坐实了这个问题。

解决方法： #

把value列强制转换为数值类型，用pd.to_numeric()处理，同时通过errors='coerce'把无法转换的异常值（比如空字符串、特殊字符）转为NaN，不影响后续聚合计算：

# 注意：这一步要放在设置索引之前执行
dataframe['value'] = pd.to_numeric(dataframe['value'], errors='coerce')

2. 容易忽略的参数错误：重采样频率写错了！ #

你代码里的resample('1M')是**按月份（Month end）**重采样，完全不是你想要的1分钟粒度！如果要实现1分钟的时间聚合，应该用'1min'或者缩写'T'：

# 正确的1分钟重采样写法二选一
dataframe_minutes = dataframe.resample('1min').mean()
# 或者用缩写形式
dataframe_minutes = dataframe.resample('T').mean()

修正后的完整代码 #

把两个问题都修复后，完整代码如下：

import pandas as pd

# 将字典列表转换为DataFrame
dataframe = pd.DataFrame(data)

# 先转换value列为数值类型（关键步骤）
dataframe['value'] = pd.to_numeric(dataframe['value'], errors='coerce')

# 将毫秒时间戳转换为datetime类型
dataframe['timestamp'] = pd.to_datetime(dataframe['timestamp'], unit='ms')

# 调整列顺序
dataframe = dataframe.reindex(['timestamp','value'], axis=1)

# 设置timestamp列为索引
dataframe.set_index('timestamp', inplace=True)

# 按1分钟粒度重采样并计算均值
dataframe_minutes = dataframe.resample('1min').mean()

这样应该就能顺利解决你的报错啦～

内容的提问来源于stack exchange，提问作者PeterBe