Hey there, let's break down why you're not getting a frequency result from pd.infer_freq() or df.index.freq, and how to fix it:

问题原因 #

Quandl的股票类数据集（比如你用的WIKI/SLB）是交易日数据，不是连续的日历日——它会跳过周末、节假日，导致时间序列存在间隔。这就触发了两个关键点：

• pd.infer_freq() 需要连续、规律的时间间隔才能推断频率，一旦有缺失的日期（比如周末），它无法确定统一的频率，所以返回None。
• df.index.freq 只有当你的DatetimeIndex是由固定频率规则生成的（比如用pd.date_range()创建，或者resample后的结果）才会有值。从Quandl获取的原始索引是基于实际交易日期的集合，没有预设的频率属性，所以也返回None。

解决方案 #

既然你已经知道数据是日度（交易日）频率，这里有两种实用方法：

1. 手动标记频率（最简单） #

直接给索引设置工作日频率（'B'代表Business Day，符合股票交易日规则），之后就能正常查看频率了：

# 手动设置工作日频率
df.index.freq = 'B'

# 打印查看频率
print("数据集的时间频率:", df.index.freq)

2. 生成连续的固定频率索引（如果需要补全缺失日期） #

如果需要让索引变成连续的工作日序列（填充缺失日期的NaN值），可以用reindex方法：

# 生成从数据起始到结束的连续工作日索引
continuous_idx = pd.date_range(start=df.index.min(), end=df.index.max(), freq='B')

# 重新索引，缺失日期会填充NaN（可根据需求用ffill/bfill填充数据）
df_continuous = df.reindex(continuous_idx)

# 现在查看频率会直接返回<BDay>
print("连续数据集的时间频率:", df_continuous.index.freq)

3. 验证实际时间间隔（可选） #

如果你想确认数据的实际时间间隔统计，可以用这个代码：

# 计算相邻日期的间隔，然后取平均值
avg_interval = df.index.to_series().diff().mean()
print("数据的平均时间间隔:", avg_interval)

这样就能轻松查看和标记你的数据集频率啦！

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