如何用Pandas实现时间序列数据的滑动时间段分块分析？

嘿，这个场景我太熟悉了！resample确实只能做固定时间间隔的分段统计，没法实现你要的滑动窗口计算——不过别担心，Pandas里的rolling()方法就是专门干这个的，完美匹配你的需求。

具体实现步骤 #

首先得确保你的数据集时间索引是正确的：

# 先把时间列转为datetime类型（假设你的时间列叫'timestamp'）
df['timestamp'] = pd.to_datetime(df['timestamp'])
# 将时间列设置为DataFrame的索引
df = df.set_index('timestamp')

接下来分两种情况处理：

情况1：数据是严格每秒一条（无缺失、无重复）

这种情况下直接用数字窗口最高效，因为时间间隔完全固定：

# 计算指定字段（比如叫'metric'）的30秒滑动平均值
df['30s_rolling_avg'] = df['metric'].rolling(window=30).mean()

这里window=30表示每次取连续30行数据（对应30秒）计算平均值，每一行的结果就是以当前行为结尾的前30秒平均值（比如第30行对应0-29秒，第31行对应1-30秒，完全符合你要的滑动逻辑）。

然后直接找最高平均值：

highest_avg = df['30s_rolling_avg'].max()

如果还想知道这个最高平均值对应的窗口时间段，可以用idxmax()定位：

peak_timestamp = df['30s_rolling_avg'].idxmax()
# 对应的窗口就是 peak_timestamp - 29秒 到 peak_timestamp

情况2：数据存在时间缺失/不固定间隔

这种时候就得用时间窗口来保证每次取的是连续30秒的数据，而不是固定行数：

# 按30秒滑动窗口计算平均值，closed='both'确保包含窗口首尾的时间点
df['30s_rolling_avg'] = df['metric'].rolling(window='30s', closed='both').mean()

这个方法会自动根据时间戳筛选每个滑动窗口内的数据，哪怕中间有缺失也能准确计算对应30秒区间的平均值。

为什么这个方法最优？ #

rolling()是Pandas原生的滑动窗口计算工具，底层做了优化，性能比自己手动循环切片计算高得多，而且语法简洁，能轻松扩展到其他统计量（比如求和、中位数等）。

内容的提问来源于stack exchange，提问作者Ethanopp