数据重采样是将时间序列从一个频率转换至另一个频率的过程，它主要有两种实现方式，分别是降采样和升采样，降采样指将高频率的数据转换为低频率，升采样则与其恰好相反，说明如下：
| 方法 | 说明 |
|---|---|
| 降采样 | 将高频率(间隔短)数据转换为低频率(间隔长)。 |
| 升采样 | 将低频率数据转换为高频率。 |
Pandas 提供了 resample() 函数来实现数据的重采样。
降采样
通过 resample() 函数完成数据的降采样，比如按天计数的频率转换为按月计数。
python
import pandas as pd
import numpy as np
rng = pd.date_range('1/1/2021',periods=100,freq='D')
ts = pd.Series(np.random.randn(len(rng)),index=rng)
#降采样后并聚合
print(ts.resample('M').mean())运行结果：
2021-01-31 -0.001888
2021-02-28 -0.333447
2021-03-31 -0.221355
2021-04-30 -0.507379
Freq: ME, dtype: float64如果您只想看到月份，那么您可以设置kind=period如下所示：
python
ts.resample('M',kind='period').mean()升采样
升采样是将低频率（时间间隔）转换为高频率，示例如下：
python
import pandas as pd
import numpy as np
#生成一份时间序列数据
rng = pd.date_range('1/1/2021', periods=20, freq='3D')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
print(ts.head())
print("\n")
#使用asfreq()在原数据基础上实现频率转换
print(ts.resample('D').asfreq().head())运行结果：
2021-01-01 -0.378926
2021-01-04 -1.366412
2021-01-07 1.789886
2021-01-10 1.765642
2021-01-13 -2.071414
Freq: 3D, dtype: float64
2021-01-01 -0.378926
2021-01-02 NaN
2021-01-03 NaN
2021-01-04 -1.366412
2021-01-05 NaN
Freq: D, dtype: float64频率转换
asfreq() 方法不仅能够实现频率转换，还可以保留原频率对应的数值，同时它也可以单独使用，示例如下：
python
import pandas as pd
index = pd.date_range('1/1/2021', periods=6, freq='T')
series = pd.Series([0.0, None, 2.0, 3.0,4.0,5.0], index=index)
df = pd.DataFrame({'s':series})
print(df.asfreq("45s"))运行结果：
s
2021-01-01 00:00:00 0.0
2021-01-01 00:00:45 NaN
2021-01-01 00:01:30 NaN
2021-01-01 00:02:15 NaN
2021-01-01 00:03:00 3.0
2021-01-01 00:03:45 NaN
2021-01-01 00:04:30 NaN插值处理
从上述示例不难看出，升采样的结果会产生缺失值，那么就需要对缺失值进行处理，一般有以下几种处理方式：
| 方法 | 说明 |
|---|---|
| pad/ffill | 用前一个非缺失值去填充缺失值。 |
| backfill/bfill | 用后一个非缺失值去填充缺失值。 |
| interpolater('linear') | 线性插值方法。 |
| fillna(value) | 指定一个值去替换缺失值。 |
下面使用插值方法处理 NaN 值，示例如下：
python
import pandas as pd
import numpy as np
#创建时间序列数据
rng = pd.date_range('1/1/2021', periods=20, freq='3D')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
print(ts.resample('D').asfreq().head())
print("\n")
#使用ffill处理缺失值
print(ts.resample('D').asfreq().ffill().head())运行结果：
2021-01-01 -0.136353
2021-01-02 NaN
2021-01-03 NaN
2021-01-04 -0.573291
2021-01-05 NaN
Freq: D, dtype: float64
2021-01-01 -0.136353
2021-01-02 -0.136353
2021-01-03 -0.136353
2021-01-04 -0.573291
2021-01-05 -0.573291
Freq: D, dtype: float64参考：C语言中文网