df.resample() 是 Pandas 中用于 按时间频率重采样（resampling）时间序列数据 的方法，常用于时间聚合，比如按天/周/月/年求和、平均等。

它只能用于 以时间索引（DatetimeIndex/PeriodIndex）为索引的 DataFrame 或 Series。

---

✅ 基本语法

df.resample(rule, how/agg, other_params)

df.resample('D').sum()         # 按天求和
df.resample('M').mean()        # 按月求平均
df.resample('W').max()         # 按周取最大值

---

📌 常用 rule 时间频率

字符	含义	示例
'D'	日	每天
'W'	周	每周
'M'	月（末日）	每月最后一天
'MS'	月初	每月第 1 天
'Q'	季度	每季最后一天
'Y'	年末	每年12月31
'H'	小时	每小时
'T' 或 'min'	分钟	每分钟
'S'	秒	每秒钟

---

✅ 示例：按月重采样

import pandas as pd

# 创建时间序列 DataFrame
rng = pd.date_range('2024-01-01', periods=90, freq='D')
df = pd.DataFrame({'value': range(90)}, index=rng)

# 按月求和
monthly = df.resample('M').sum()
print(monthly)

---

🎯 常用聚合函数搭配

df.resample('W').agg(['mean', 'max', 'min'])     # 多个聚合
df.resample('M').first()                         # 每月第一条记录
df.resample('H').asfreq()                        # 指定频率但不做聚合（填充 NaN）

---

❗ 注意事项

• 重采样操作作用在 时间索引 上，df.index 必须是 DatetimeIndex，否则会报错。
• 默认 label 为右闭区间，如 M 表示月末，W 表示周日（可通过 label='left', closed='left' 调整）。
• 对于 缺失时间段，结果会自动插入空值（NaN）或 0（视聚合函数而定）。

---

🧪 时间索引示例检测

if not isinstance(df.index, pd.DatetimeIndex):
    df['date'] = pd.to_datetime(df['date'])
    df.set_index('date', inplace=True)

---

🧠 小结

用法示例	说明
df.resample('D').sum()	按天聚合
df.resample('M').mean()	按月平均
df.resample('W-MON')	每周一为周期起点
df.resample('H').ffill()	每小时补齐并前向填充

---

按每季度采样并处理缺失值

✅ 示例目标

• 假设原始数据是天级别的时间序列，其中一些日期缺失；

• 任务是：

  1. 按季度 ('Q') 进行重采样（求和/均值/任意聚合）；
  2. 对缺失值进行处理（填充、插值、丢弃等）。

---

✅ 示例代码（含注释）

import pandas as pd
import numpy as np

# 1. 构造示例时间序列（有缺失）
date_rng = pd.date_range(start='2023-01-01', end='2024-12-31', freq='7D')  # 每 7 天记录一次
np.random.seed(42)
df = pd.DataFrame({'value': np.random.randint(10, 100, size=len(date_rng))}, index=date_rng)

# 2. 模拟随机缺失数据
df.loc[df.sample(frac=0.2).index, 'value'] = np.nan

# 3. 按季度重采样（聚合为平均值）
df_q = df.resample('Q').mean()

# 4. 填补缺失值（可选方式见下）
df_q_ffill = df_q.ffill()                 # 前向填充
df_q_bfill = df_q.bfill()                 # 后向填充
df_q_interp = df_q.interpolate()          # 插值填充（线性）
df_q_dropna = df_q.dropna()               # 丢弃缺失值

# 5. 输出展示
print("原始季度数据（含NaN）:\n", df_q.head(), '\n')
print("填充后数据（线性插值）:\n", df_q_interp.head())

---

🧠 可选的缺失值处理方法

方法名	说明
.ffill()	前向填充（用上一个季度值）
.bfill()	后向填充（用下一个季度值）
.interpolate()	线性插值
.fillna(value)	填充固定值
.dropna()	直接删除含 NaN 的季度行

---

📈 示例图（可选）

import matplotlib.pyplot as plt

df_q_interp.plot(title='Quarterly Mean (Interpolated)', marker='o')
plt.grid(True)
plt.show()

---

🧾 拓展说明

• 你也可以使用 resample('Q')['value'].agg(['sum', 'mean']) 获取多个指标。
• 如果你希望按**财年季度（如3月、6月、9月、12月）**进行采样，可以用 'Q-MAR'、'Q-SEP' 等自定义起始月。