上篇文章中，我们学习了如何使用pandas库中的date_range()函数生成时间序列索引，而且我们知道我们可以生成不同频率的时间索引，比如按小时、按天、按周、按月等等，因此就会引出另外一个问题，如果我们相对数据做不同频率的转换，该怎么做，pandas库中是否有现成的方法可供使用呢？带着这个问题，我们本次就来学习下数据重采样的知识。

首先，简单解释什么是数据重采样，所谓数据重采样就是将数据原有的频率转换到另一个频率上，如果是从低频率转换到高频率，那么就是升采样，比如原来的数据是按月统计的，通过升采样可以转换为按日的序列数据;相反,如果原来的数据是按日的时间序列数据，通过转换函数转换为按月的时间序列数据，那么我们就将这个过程称为降采样。不管是升采样还是降采样，都通过pandas中的resample函数完成，下面我们就具体来学习这个函数。

pandas.DataFrame.resample

pandas.DataFrame.resample()这个函数主要是用来对时间序列做频率转换，函数原型如下：

DataFrame.resample(rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None)，各参数含义如下列表：

重采样参数含义

降采样(高频数据到低频数据)

上面我们已经知道了重采样的函数和函数各参数的含义，下面我们就用一个例子演示降采样的过程。为了方便观察，这里我们生成10条日数据，如下：

import pandas as pdimport numpy as npindex=pd.date_range('20190115','20190125',freq='D')data1=pd.Series(np.arange(len(index)),index=index)

10条日数据

如上图，这里有10条日数据，现在我们将这按日统计的数据通过降采样的方法转化为按3日求和统计的数据，如下：

data1.resample(rule='3D',how='sum')

降采样

可以看到，原来10条按日统计的数据经过降采样转换变为4条（最后一条是2日的数据和）按每3天统计的数据，这就是降采样的过程，这里需要注意的是起算的节点。上面的例子中label这个参数默认的是left,现在我们改为right,看看有什么区别，如下：

data1.resample(rule='3D',how='sum',label='right')

label=left vs label=right

通过上面的对比，可以得出label这个参数控制了分组后聚合标签的取值。在label为right的情况下，将取分箱右侧的值作为新的标签。上面这个例子基本上演示了降采样的过程，当然我们可以调整how这个参数值进行不同的取值，如下：

data1.resample(rule='3D',how='mean')#取3天的平均值

how=mean

也可以将聚合方法写到外面，如下：

data1.resample(rule='3D').mean()

取3天的平均值

取3天的最小值作为新标签值：

取3天的最小值

升采样(低频数据到高频数据)

上面演示了降采样的过程，下面我们演示升采样的过程，根据升采样的定义，我们只需在resample函数中改变频率即可，但与降采样不同的是升采样后新增频率的数为空值，为此，rasample也提供了3种方式进行填充，下面我们通过代码来演示。

data1.resample(rule='6H').asfreq()

按6小时进行升采样

可以看到，将原来的按日的数据进行升采样为6小时时，会产生很多空值，对于这种空值resample提供了3种方式，分别为ffill（取前面的值）、bfill（取后面的值）、interpolate(线性取值)，这里我们分别进行测试，如下：

data1.resample(rule='6H').ffill()

按前面的值进行填充

可以看到，在ffill不带任何数字的情况下，填充了所有的空值，这里我们可以输入个数，从而指定要填充的空值个数，如下:

data1.resample(rule='6H').ffill(2)

填充2个

data1.resample(rule='6H').bfill()

用后面的值填充

data1.resample(rule='6H').interpolate()

线性填充