如何用Python将不同频率DataFrame的15分钟均值迁移至另一数据集？

当然可以搞定这个问题！你碰到的是时间序列对齐里的常见场景——不同频率的时间戳没法直接用普通的pd.merge或pd.concat匹配，得先做时间频率的统一或者智能匹配。我给你几个实用的方案，都是用pandas就能轻松实现的：

方法一：重采样+向前填充（最直观） #

这个方法的思路是先把15分钟频率的数据集转换成5分钟频率（用向前填充的方式补全每个15分钟窗口内的三个5分钟点），之后就能和你的5分钟数据集直接合并了。

步骤示例： #

import pandas as pd

# 1. 确保时间列是datetime类型（这是所有时间序列操作的前提！）
df_5min['Date and Time'] = pd.to_datetime(df_5min['Date and Time'])
df_15min['Date and Time'] = pd.to_datetime(df_15min['Date and Time'])

# 2. 如果你的15分钟数据还没做平均值聚合，先聚合（如果已经是15分钟平均值可以跳过这步）
df_15min_avg = df_15min.set_index('Date and Time').resample('15T').mean().reset_index()

# 3. 将15分钟平均值重采样为5分钟频率，用向前填充补全空缺
df_15min_resampled = df_15min_avg.set_index('Date and Time').resample('5T').ffill().reset_index()

# 4. 合并两个5分钟频率的数据集
merged_df = pd.merge(df_5min, df_15min_resampled, on='Date and Time', how='left')

方法二：用merge_asof做智能时间匹配 #

如果你的15分钟时间戳不一定严格是每小时的00/15/30/45分（比如有偏移），可以用merge_asof来做近似匹配，自动把每个5分钟点对应到最近的15分钟数据上。

步骤示例： #

import pandas as pd

# 1. 同样先确保时间列是datetime类型
df_5min['Date and Time'] = pd.to_datetime(df_5min['Date and Time'])
df_15min['Date and Time'] = pd.to_datetime(df_15min['Date and Time'])

# 2. 提前对两个数据集按时间排序（merge_asof要求必须排序）
df_5min_sorted = df_5min.sort_values('Date and Time')
df_15min_sorted = df_15min.sort_values('Date and Time')

# 3. 用merge_asof匹配，direction='backward'表示找不晚于当前5分钟时间的最近15分钟点
merged_df = pd.merge_asof(
    df_5min_sorted,
    df_15min_sorted,
    on='Date and Time',
    direction='backward'  # 可选值还有forward/nearest，按需选择
)

关键注意事项 #

• 一定要先把Date and Time列转换成datetime类型，pandas的时间序列工具只认这个格式；
• 如果你的15分钟数据是原始采样数据（不是已经聚合的平均值），记得先通过resample('15T').mean()做聚合；
• merge_asof的direction参数可以灵活调整：backward匹配最近的过去点，forward匹配最近的未来点，nearest匹配距离最近的点。

内容的提问来源于stack exchange，提问作者Yasin Khan