pandas.DataFrame.asfreq

DataFrame.asfreq(freq, method=None, how=None, normalize=False, fill_value=None)

将时间序列转换为指定频率。

返回符合指定频率的新索引的原始数据。

如果这个 Series/DataFrame 的索引是一个 PeriodIndex ，新索引是通过使用 PeriodIndex.asfreq 转换原始索引的结果（因此原始索引将一对一映射到新索引）。

Otherwise, the new index will be equivalent to pd.date_range(start, end, freq=freq) where start and end are, respectively, the min and max entries in the original index (see pandas.date_range()). The values corresponding to any timesteps in the new index which were not present in the original index will be null (NaN), unless a method for filling such unknowns is provided (see the method parameter below).

resample() 方法在每个时间步长组（如聚合）的操作是必要的情况下更合适，以在新频率下表示数据。

参数:

freqDateOffset 或 str

频率 DateOffset 或字符串。

方法{‘backfill’/’bfill’, ‘pad’/’ffill’}, 默认 None

用于填充重新索引系列中孔洞的方法（注意这不会填充那些已经存在的NaN）：

• ‘pad’ / ‘ffill’: propagate last valid observation forward to next valid based on the order of the index

• ‘backfill’ / ‘bfill’: 使用下一个有效观测值来填充。

如何{‘开始’, ‘结束’}, 默认 结束

仅适用于 PeriodIndex（参见 PeriodIndex.asfreq）。

normalize布尔值, 默认为 False

是否将输出索引重置为午夜。

fill_value标量，可选

用于缺失值的值，在向上采样期间应用（注意这不会填充已经存在的NaN）。

返回:

Series/DataFrame

Series/DataFrame 对象重新索引到指定的频率。

参见

reindex

使 DataFrame 符合新的索引，并带有可选的填充逻辑。

备注

要了解更多关于频率字符串的信息，请参见 此链接。

示例

首先创建一个包含4个一分钟时间戳的系列。

>>> index = pd.date_range("1/1/2000", periods=4, freq="min")
>>> series = pd.Series([0.0, None, 2.0, 3.0], index=index)
>>> df = pd.DataFrame({"s": series})
>>> df
                       s
2000-01-01 00:00:00    0.0
2000-01-01 00:01:00    NaN
2000-01-01 00:02:00    2.0
2000-01-01 00:03:00    3.0

将序列上采样到30秒的箱中。

>>> df.asfreq(freq="30s")
                       s
2000-01-01 00:00:00    0.0
2000-01-01 00:00:30    NaN
2000-01-01 00:01:00    NaN
2000-01-01 00:01:30    NaN
2000-01-01 00:02:00    2.0
2000-01-01 00:02:30    NaN
2000-01-01 00:03:00    3.0

再次上采样，提供一个 填充值 。

>>> df.asfreq(freq="30s", fill_value=9.0)
                       s
2000-01-01 00:00:00    0.0
2000-01-01 00:00:30    9.0
2000-01-01 00:01:00    NaN
2000-01-01 00:01:30    9.0
2000-01-01 00:02:00    2.0
2000-01-01 00:02:30    9.0
2000-01-01 00:03:00    3.0

再次上采样，提供一个 method。

>>> df.asfreq(freq="30s", method="bfill")
                       s
2000-01-01 00:00:00    0.0
2000-01-01 00:00:30    NaN
2000-01-01 00:01:00    NaN
2000-01-01 00:01:30    2.0
2000-01-01 00:02:00    2.0
2000-01-01 00:02:30    3.0
2000-01-01 00:03:00    3.0