如何直接对pandas Resampler对象执行插值实现不规则时间序列重采样

AI 小北

2026-9-25

解决方案

你需要的效果可以通过重索引+插值的逻辑实现，比你当前的拼接去重方案更简洁高效，也符合pandas的API设计逻辑。

核心原理

你之前的写法df.resample("T").mean().interpolate(method="index")不符合预期的原因是：resample("T").mean()会先把每个分钟桶内的数据做聚合，丢失了原始采样点的精确时间信息，插值时只能按整点分钟的间隔计算，无法匹配原始时间差的权重。

最简写法

只输出整点分钟级结果（匹配你给出的预期输出）

import pandas as pd

# 你的原始数据
idx = pd.DatetimeIndex(["2021-01-01 00:01:35", "2021-01-01 00:05:01", "2021-01-01 00:08:42"])
df = pd.DataFrame({"a": [1, 2, 3]}, index=idx)

# 构造目标整点分钟索引
target_idx = pd.date_range(
    start=df.index.min().ceil("T"),
    end=df.index.max().floor("T"),
    freq="T"
)

# 合并原始索引和目标索引后插值，最后筛选出目标索引的行
res = df.reindex(df.index.union(target_idx))\
        .interpolate(method="index")\
        .reindex(target_idx)

运行后输出的结果和你给出的预期完全一致：

a
2021-01-01 00:02:00  1.121359
2021-01-01 00:03:00  1.412621
2021-01-01 00:04:00  1.703883
2021-01-01 00:05:00  1.995146
2021-01-01 00:06:00  2.266968
2021-01-01 00:07:00  2.538462
2021-01-01 00:08:00  2.809955

保留原始非整点采样点

去掉最后一步筛选目标索引的逻辑即可，得到的结果和你当前的临时方案完全一致：

res = df.reindex(df.index.union(target_idx)).interpolate(method="index")

替代简化写法

你也可以直接复用resample生成的整点索引，不需要手动构造date_range：

resample_idx = df.resample("T").asfreq().index
res = df.reindex(df.index.union(resample_idx))\
        .interpolate(method="index")\
        .reindex(resample_idx) # 不需要保留原始点就加这行，否则去掉