如何对多对象时间序列的Pandas DataFrame按对象单独重采样？

要实现每个对象单独重采样，用groupby结合resample是Pandas里最直接且高效的方案——Pandas对分组后的时间序列操作做了专门优化，比手动循环每个ID性能好得多，代码也更简洁。

完整代码示例 #

先从你的示例数据开始，一步步实现重采样：

import pandas as pd

# 构造原数据帧
data = {
    'ID': [0, 0, 0, 3, 3, 3, 5, 5],
    'Time': [0, 1, 2, 1, 2, 3, 10, 11],
    'Value': [1, 1, 1, 4, 6, 6, 0, 1]
}
df = pd.DataFrame(data)

# 步骤1：将Time列转换为Timedelta类型（适配resample的时间频率识别）
df['Time'] = pd.to_timedelta(df['Time'], unit='s')

# 步骤2：按ID分组，对每个组执行重采样+插值
resampled_df = (
    df.groupby('ID', group_keys=False)
      .apply(lambda group: group.set_index('Time').resample('0.5S').interpolate(method='linear'))
      .reset_index()
)

# 步骤3：将Time转回数值秒数（和原数据格式对齐）
resampled_df['Time'] = resampled_df['Time'].dt.total_seconds()

print(resampled_df)

运行后输出就会和你给出的示例一致，插值部分你可以把interpolate(method='linear')换成自己需要的逻辑（比如ffill()填充前值、bfill()填充后值，或者自定义函数）。

为什么这是最优方案？ #

• 分组隔离：groupby('ID')确保每个对象的时间序列完全独立处理，不会出现跨对象的干扰。
• 性能优化：Pandas的resample是专门为时间序列设计的矢量化操作，比手动遍历每个ID循环处理快几个数量级，尤其是数据量较大时优势明显。
• 格式友好：通过group_keys=False和reset_index()，最终输出的结构和原数据保持一致，不需要额外处理多级索引。

额外注意事项 #

• 如果你的Time列是绝对时间（比如YYYY-MM-DD HH:MM:SS），不需要转换成Timedelta，直接设置为索引后执行resample即可。
• 若要进一步提升性能，可以尝试用pd.Grouper指定时间维度，但对于大多数场景，上面的写法已经足够简洁高效。

内容的提问来源于stack exchange，提问作者Gemini