在Pandas中将规则时间序列重采样为不规则时间序列

针对规则时间序列按预定义不规则区间计算均值的需求，这里提供两种实用方案，无需依赖仅适用于规则区间的resample：

方法1：用pd.cut分组计算 #

通过将原时间序列的索引映射到对应不规则区间，再分组求均值，代码简洁高效：

import numpy as np
import pandas as pd
import datetime as dt

# 原规则时间序列数据
reg_data = pd.Series(
    np.arange(25),
    index=pd.date_range(start='2018-01-01', end='2018-01-02', freq='H')
)
# 定义不规则区间的起止时间
new_start_times = [
    dt.datetime(2018,1,1,2,5,12),
    dt.datetime(2018,1,1,6,0,0),
    dt.datetime(2018,1,1,12,7,58)
]
new_end_times = [
    dt.datetime(2018,1,1,3,7,28),
    dt.datetime(2018,1,1,7,0,0),
    dt.datetime(2018,1,1,19,55,22)
]

# 生成区间标识标签
interval_labels = [f"{start} → {end}" for start, end in zip(new_start_times, new_end_times)]
# 将原时间索引分配到对应区间
groups = pd.cut(reg_data.index, bins=[*new_start_times, new_end_times[-1]], labels=interval_labels, include_lowest=True)
# 分组计算均值
mean_by_interval = reg_data.groupby(groups).mean()

print(mean_by_interval)

关键说明： #

• pd.cut自动匹配每个时间点到所属区间，include_lowest=True确保第一个区间包含起始边界
• 区间标签可自定义，方便后续识别区间范围

方法2：遍历区间逐个筛选计算 #

如果需要灵活控制筛选逻辑（比如处理区间边界、空数据），可直接遍历区间筛选数据后计算：

# 初始化结果存储容器
mean_results = pd.Series(dtype='float64')

for start, end in zip(new_start_times, new_end_times):
    # 筛选当前区间内的数据（可根据需求调整闭/半开区间逻辑）
    mask = (reg_data.index >= start) & (reg_data.index <= end)
    interval_data = reg_data[mask]
    # 计算均值并存储，用区间起止时间作为索引
    mean_results[f"{start} → {end}"] = interval_data.mean()

print(mean_results)

关键说明： #

• 可灵活修改筛选条件，比如排除区间端点、处理无数据区间的NaN结果
• 适合需要对单个区间做额外处理的场景

内容的提问来源于stack exchange，提问作者Aston Villarreal Madrid