如何正确使用 pandas 对不规则时间序列进行重采样与插值

先说说核心结论：用pandas处理不规则时间序列数据时，resample().interpolate(method='time')这个组合，十有八九达不到你想要的插值效果。这不是bug，而是对调用逻辑的误解。下面我们把这个坑彻底讲清楚，顺便给出标准解法。

实战中经常有人踩坑：手里有一批传感器数据，比如温湿度记录，采集时间并不均匀——可能是每2分钟±120秒内随机触发。现在需要把这些数据对齐到严格的2分钟等间隔时间轴上，以便后续分析或建模。很多人会顺手写一句 df.resample('2min').interpolate(method='time')，结果一看输出——开头一大段重复初始值，后面出现线性衰减趋势，值和原始数据完全对不上。这哪是插值？分明是“插歪”。

核心在于：resample().interpolate() 并不会在重采样目标时间点之间做插值，它只是在每个重采样分组内部对缺失值进行填充。具体来说，resample('2min') 会按左闭右开区间（比如 [09:56:00, 09:58:00)）把数据分成多个桶。由于原始数据点几乎全部落在不同桶里，绝大多数桶里只有0个或1个观测值。此时调用 .interpolate()，实际上没有有效的邻近点可供插值——单点桶返回原值或NaN，连续NaN桶则会退化为基于索引位置的线性外推，结果就是那个“斜坡式”错误输出。

所以，正确的做法分两步走：

1. 先聚合（Aggregation）：用 .resample('2min').mean()（或 .first()、.median() 等）先生成带空缺的目标时间轴；
2. 再插值（Interpolation）：对聚合后的DataFrame调用 .interpolate(method='time')。此时时间索引已经规则化，method='time' 才能基于真实时间距离进行加权线性插值。

下面是一段完整的可复现代码，可以直接跑起来验证：

import pandas as pd
import numpy as np

np.random.seed(0)
num_rows = 20
data = {
    'temperature': np.random.randint(20, 30, num_rows),
    'humidity': np.random.randint(40, 60, num_rows)
}
time_offsets = np.random.randint(0, 120, num_rows)
time_offsets = pd.to_timedelta(time_offsets, unit='s')
start_time = pd.Timestamp('2024-02-24 09:55:37')
time_indices = [
    start_time + pd.Timedelta(minutes=2*i) + offset 
    for i, offset in enumerate(time_offsets)
]
df = pd.DataFrame(data, index=time_indices)

# ✅ 正确流程：先聚合，再插值
resampled = df.resample('2min').mean()           # 生成规则时间索引，NaN表示无数据
interpolated = resampled.interpolate(method='time')  # 基于真实时间戳插值

print("原始数据（前5行）：")
print(df.head())
print("\n聚合后（前10行，含NaN）：")
print(resampled.head(10))
print("\n插值后（前10行）：")
print(interpolated.head(10))

? 输出说明：resampled 的索引是严格的 2024-02-24 09:56:00, 09:58:00, 10:00:00…；interpolated 则利用相邻非空时间点（如 10:00:00 和 10:02:00）之间的真实秒数差进行加权插值，结果符合物理直觉。

⚠️ 几个需要注意的细节：

• 如果原始数据存在明显漂移或趋势，建议使用 method='time'（推荐）或 method='index'，避免使用 method='linear'，因为它会忽略时间非均匀性；
• 插值前务必检查时间索引是否已排序且为 datetime64 类型（可以用 df.index.is_monotonic_increasing 和 df.index.dtype 验证）；
• 对于首尾段缺失严重的情况，.interpolate() 默认不外推，可以添加 limit_direction='both' 参数，或者配合 .ffill() / .bfill() 处理边界；
• 如果需要更高精度（比如考虑温度变化滞后性），那就得转向专业时序库了，比如 scikit-learn 的 TimeSeriesSplit 或 statsmodels 的插值模型。

一句话总结：遵循“聚合→插值”这个范式，pandas 就能稳稳当当地帮你把不规则传感器数据标准化。别再踩那个 resample().interpolate() 的坑了。