Python pandas秒级数据重采样为毫秒级并线性插值方法

resample 方法仅支持DatetimeIndex、TimedeltaIndex或PeriodIndex类型的索引作为时间基准，当前DataFrame使用的是默认生成的RangeIndex（行号索引），timestamp仅作为普通列存在，未被设为索引，因此触发类型错误。

前置索引修复 #

首先将已经转好时区的timestamp列设置为DataFrame的时间索引：

# 将timestamp列设为索引
df = df.set_index('timestamp')

毫秒级重采样+线性插值 #

设置好索引后即可执行重采样操作，注意需要先通过聚合/频率转换将Resampler对象转为实际DataFrame，再执行插值：

# 1毫秒分辨率实现
# asfreq()会直接保留原始秒级点位的数值，其余新增毫秒点位填充为NaN
df_interp = df.resample('1ms').asfreq().interpolate(method='linear')

如果同时间戳存在多条重复记录，可以把asfreq()替换为mean()，对同时间点的value取均值后再插值，逻辑更严谨。

低负载亚秒级方案 #

如果毫秒级数据量过大，可以调整重采样频率，只要频率小于1秒即可满足亚秒级精度要求，常用可选参数：

• 100毫秒（0.1秒）分辨率：采样规则传'100ms'，数据量仅为毫秒级的1/1000
• 10毫秒（0.01秒）分辨率：采样规则传'10ms'，数据量仅为毫秒级的1/100

以100毫秒分辨率为例，代码如下：

# 100毫秒低负载版本
df_interp = df.resample('100ms').asfreq().interpolate(method='linear')

原始代码直接对Resampler对象调用interpolate是错误写法，必须先通过asfreq()/mean()/sum()等聚合/频率转换方法生成结构化的时间序列DataFrame，才能执行插值操作。

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