如何使用pandas.date_range()生成精确匹配700Hz采样率的时间戳

问题本质 #

pd.date_range()的freq参数仅支持整数倍的固定时间偏移（最小精度到纳秒），而700Hz对应的单采样周期为1/700秒，是无限循环小数，无论换算到毫秒、微秒还是纳秒单位，都无法用整数值精确表示。用1.430615ms作为间隔属于近似值，采样点越多，累积的时间漂移越大。

推荐方案：基于偏移量直接计算（无累积误差） #

不要硬凑freq的近似值，直接根据采样点序号计算每个点相对于起始时间的精确偏移，生成时间戳：

import pandas as pd
from datetime import datetime
import numpy as np # 大数据量时用numpy提升计算效率

start = datetime(2022, 1, 1, 0, 0)
sample_count = len(labels)
# 生成每个采样点的时间偏移：第i个点偏移i/700秒
time_offsets = pd.to_timedelta(np.arange(sample_count) / 700, unit="s")
time_stamps_at_700 = start + time_offsets

这个方案的误差仅来自单个时间戳的浮点运算精度，不会随着采样点增多累积偏差，完全匹配700Hz的采样间隔。如果数据量很小（少于1万条），把np.arange(sample_count)换成range(sample_count)也可以，不需要额外导入numpy。

备选方案：纳秒级近似freq（短数据可用） #

如果数据时长很短（比如10分钟以内，采样点少于42万），也可以用最接近真实间隔的纳秒级freq参数调用date_range，误差在可接受范围内：

time_stamps_at_700 = pd.date_range(
    start=datetime(2022, 1, 1, 0, 0),
    periods=len(labels),
    freq="1428571ns" # 对应1/700秒的纳秒近似值，单步误差约0.43纳秒
)

注意：该方案每100万采样点会累积约0.43毫秒的总误差，长时采集数据不建议使用。

精度校验 #

生成时间戳后可以用以下代码验证实际采样率是否符合预期：

actual_hz = 1 / time_stamps_at_700.diff().mean().total_seconds()
print(f"实际平均采样率：{actual_hz:.6f}Hz")

内容的提问来源于stack exchange，提问作者brkgcmn