如何重采样时间序列生成从首条记录开始的固定5分钟间隔序列

基于Python pandas库可以快速实现需求，具体实现路径如下：

前置预处理 #

首先把原始数据处理为标准时间序列结构：

• 读取原始数据，将date字段解析为datetime64时间类型
• 把时间列设为数据索引，按时间升序排序，确保索引第一个值就是要求的重采样起点
  示例预处理代码：

import pandas as pd

# 加载原始数据
raw_data = [
    ("08/08/2012 08:00:00", 0.94843),
    ("08/08/2012 08:05:00", 0.92313),
    ("08/08/2012 08:06:21", 0.90432),
    ("08/08/2012 08:10:10", 0.99192),
    ("08/08/2012 08:15:00", 0.91233),
    ("08/08/2012 08:17:37", 0.94841),
    ("08/08/2012 08:34:19", 0.91221)
]
df = pd.DataFrame(raw_data, columns=["date", "value"])
df["date"] = pd.to_datetime(df["date"], format="%d/%m/%Y %H:%M:%S")
df = df.set_index("date").sort_index()

方案1：生成连续5分钟序列、空窗期向前填充（匹配第一种输出） #

该方案会补全所有5分钟间隔节点，无新观测值的区间沿用最近一次的有效值：

1. 以第一个时间点为起点，生成步长5分钟、覆盖到原始数据最晚时间点的完整时间索引
2. 对齐原始数据到新索引，同一个5分钟区间内的多个观测值，取区间内最后一个观测值作为该区间的取值
3. 无观测值的空节点，用前向填充（ffill）规则补全数值
   核心实现代码：

start_time = df.index[0]
end_time = df.index[-1]
# 生成以首点为起点的5分钟间隔索引
new_index = pd.date_range(start=start_time, end=end_time, freq="5min")
# 重采样+前向填充
resampled_df = df.resample("5min", origin=start_time, label="left").last().reindex(new_index).ffill()

运行结果和第一种输出完全匹配：空窗的08:20、08:25、08:30节点会填充前序有效值0.94841，08:35节点取08:34:19对应的0.91221。

关键参数说明：origin=start_time会强制重采样的间隔计算起点为第一个事件时间，不会默认对齐到自然时间的整5分刻度，即使首条数据不是整5分时间点也能按要求生成间隔。

方案2：仅保留有观测值映射的5分钟节点（匹配第二种输出） #

该方案不补全无观测值的空窗节点，只保留存在原始数据映射的5分钟刻度点：

1. 同样以首点为原点做5分钟重采样，聚合规则保持为取每个区间内最后一个观测值
2. 直接删除重采样后无对应原始观测值的空行即可
   核心实现代码：

start_time = df.index[0]
resampled_df = df.resample("5min", origin=start_time, label="left").last().dropna()

运行结果和第二种输出完全匹配：会跳过08:25、08:30两个无对应观测值的节点，只保留有有效值的时间点。

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