如何对Pandas时间序列进行反向重采样？

你可以通过反转序列后再重采样的方式快速实现需求，步骤如下：

步骤1：生成测试数据（你的原代码） #

import pandas as pd
import numpy as np

index = pd.date_range('01-01-2018 00:00:00', '01-11-2018 23:59:00', freq='1T')
randint = np.random.randint(low=0, high=9, size=(len(index), 1))

df = pd.DataFrame(randint, index=index, columns=['random'])

步骤2：反转序列+重采样+调整顺序 #

# 1. 将原序列反转（从最晚时间到最早时间排列）
df_reversed = df.iloc[::-1]

# 2. 对反转后的序列重采样：
# - freq='5T'：按5分钟区间聚合
# - label='right'：用区间的结束时间作为标签（对应原序列中该区间的最晚时间）
# - closed='right'：区间包含右边界（确保最后一个时间点被包含在第一个分组）
ohlc_reversed = df_reversed.resample('5T', label='right', closed='right')['random'].ohlc()

# 3. 将结果按时间从晚到早排序（匹配你示例中的输出顺序）
# 如果需要从早到晚排序，改为 ascending=True
ohlc_result = ohlc_reversed.sort_index(ascending=False)

print(ohlc_result.tail())

方法说明 #

• 反转序列后，重采样会从原序列的最后一个时间点开始往前划分5分钟区间
• label='right'确保每个分组的标签是该区间的结束时间（也就是原序列中该分组的最晚时间）
• 最终结果完全匹配你需要的反向分组、以区间结束时间为标签的OHLC格式

备选：自定义分组（更灵活） #

如果需要非固定频率的区间划分，可使用自定义分组逻辑：

last_time = df.index[-1]
# 生成从最后一个时间点往前推的5分钟间隔标签
group_labels = pd.date_range(end=last_time, periods=int(np.ceil(len(df)/5)), freq='-5T')
# 构建区间并为每个时间点分配分组标签
bins = [group_labels.min() - pd.Timedelta(minutes=5)] + sorted(group_labels)
df['group'] = pd.cut(df.index, bins=bins, labels=sorted(group_labels), right=True)
# 分组计算OHLC并调整顺序
ohlc_result = df.groupby('group')['random'].ohlc().sort_index(ascending=False)

内容的提问来源于stack exchange，提问作者jad