如何用Pandas将10分钟时间序列转15分钟？含重采样与缺失值方案

针对你的时间序列转换需求，以下是具体解决方案： #

将10分钟间隔序列转换为15分钟步长，Pandas的resample是标准解决方案，它能直接按时间区间聚合数据，适配绝大多数时序转换场景。

实现步骤： #

首先将你的数据整理为Pandas时间序列结构：

import pandas as pd

time = [pd.Timestamp('2021-01-01 05:30:00'), pd.Timestamp('2021-01-01 05:40:00'), pd.Timestamp('2021-01-01 05:50:00'),
        pd.Timestamp('2021-01-01 06:00:00'), pd.Timestamp('2021-01-01 06:10:00'), pd.Timestamp('2021-01-01 06:20:00'),
        pd.Timestamp('2021-01-01 06:30:00'), pd.Timestamp('2021-01-01 06:40:00'), pd.Timestamp('2021-01-01 06:50:00'),
        pd.Timestamp('2021-01-01 07:00:00')]
value = [4.84,6.92,7.99,8.01,7.07,5.11,7.1,7.03,7.02,8.07]

df = pd.DataFrame({'value': value}, index=time)

然后通过resample指定15分钟步长（'15T'），结合聚合函数生成目标序列：

# 按15分钟区间取均值（最常用）
df_resampled_mean = df.resample('15T').mean()

# 其他可选聚合逻辑：取区间第一个值/最后一个值/求和
df_resampled_first = df.resample('15T').first()
df_resampled_last = df.resample('15T').last()
df_resampled_sum = df.resample('15T').sum()

如果重采样的聚合逻辑不符合你的需求，还可以选择以下两种方案：

1. 时间插值法 #

适合需要平滑连续值的场景（比如传感器读数），先对齐15分钟时间轴，再用插值填充缺失值：

# 生成15分钟间隔的目标时间轴
new_index = pd.date_range(start=df.index.min(), end=df.index.max(), freq='15T')
# 重新索引，缺失位置设为NaN
df_reindexed = df.reindex(new_index)
# 时间加权插值（比线性插值更贴合时序特性）
df_interpolated = df_reindexed.interpolate(method='time')

2. 手动区间映射聚合 #

适合需要自定义区间逻辑的场景，通过pd.cut划分时间区间后再分组聚合：

# 生成15分钟的区间标签
df['time_bin'] = pd.cut(df.index, bins=pd.date_range(start=df.index.min(), end=df.index.max()+pd.Timedelta(minutes=15), freq='15T'))
# 按区间分组计算均值
df_grouped = df.groupby('time_bin')['value'].mean()

缺失数据的处理需结合业务场景选择：

• 前后填充：缺失段较短时，用前一个/后一个有效值填充：

  df.resample('15T').ffill()  # 向前填充
  df.resample('15T').bfill()  # 向后填充
  

• 插值填充：连续型时序数据优先用时间加权插值，保证数值平滑性：

  df_reindexed.interpolate(method='time')
  

• 全局值填充：用全局均值/中位数填充无规律的缺失值：

  df_resampled = df.resample('15T').mean()
  df_resampled.fillna(df['value'].mean(), inplace=True)
  

• 删除缺失段：如果缺失区间无业务价值，直接删除：

  df_resampled.dropna(inplace=True)
  

内容的提问来源于stack exchange，提问作者Ganesh M