Python时间序列分析：重采样与移动平均详解

本文深入剖析了Python时间序列分析中重采样（resample）与移动平均（rolling）两大核心操作的常见陷阱与正确实践：从索引必须为单调、唯一、时区规范的DatetimeIndex，到重采样因类型错误或时区未归一化导致全NaN或跳变，再到移动平均因对齐方式（左/右/居中）、是否包含当前点、NaN处理逻辑与Excel结果不一致的根源；特别强调二者组合顺序对业务含义的决定性影响——先降频再平滑 vs 先平滑再降频，物理意义截然不同。全文直击索引类型、对齐方向、时区状态这三大静默易错点，帮你避开看似合理实则严重偏离业务本质的“幽灵bug”。

用 resample() 降频时，为什么结果全是 NaN？

常见现象是调用 df.resample('M').mean() 后整列变 NaN——大概率因为索引不是 DatetimeIndex，或者时间戳有重复/不单调。

• 先确认索引类型：type(df.index) 必须是 pandas.core.indexes.datetimes.DatetimeIndex
• 如果不是，用 df.index = pd.to_datetime(df.index) 转换，再设为索引：df.set_index('time_col', inplace=True)
• 检查是否单调递增：df.index.is_monotonic_increasing，否则 resample 行为不可靠，先 df.sort_index(inplace=True)
• 重复时间戳会导致聚合失败，用 df.index.duplicated().any() 检查，必要时用 df[~df.index.duplicated(keep='first')] 去重

rolling() 移动平均算出来和 Excel 不一样？

默认 rolling(window=5).mean() 是左对齐、包含当前行的 5 个点，而 Excel 的「移动平均」工具默认右对齐且不含当前点（即用前 N-1 个值），这是最常被忽略的偏差来源。

• 对齐方式用 center=True 可居中（如窗口 5，则第 3 个点出第一个值）；用 min_periods=1 允许起始位置不满窗也计算
• 若要复现 Excel 行为：用 df['col'].shift(1).rolling(5).mean()，即先错开一行再滚动
• 注意 rolling 默认不处理 NaN，遇到空值会中断窗口计数；加 min_periods=3 可让至少含 3 个非空值就出结果
• 性能上，window 超过万级建议改用 numba 加速或分块处理，pandas 原生滚动在大数据量下明显变慢

重采样 + 移动平均组合时，顺序错了结果就全偏了

先 resample 再 rolling 和反过来，物理意义完全不同：前者是对降频后的时间序列做平滑，后者是先平滑原始高频数据、再降频——噪声抑制程度和时滞特性差异很大。

• 典型场景（如分钟级转日级均值）：必须先 resample('D').mean() 得到日粒度序列，再在其上 rolling(7).mean() 做周滑动均值
• 如果反过来，rolling(7) 在分钟级数据上运行，窗口实际跨 7 分钟，完全无法反映周趋势
• 重采样后的索引是周期性断点（如每月最后一天），rolling 会严格按新索引顺序滑动，不会“跨月”；这点和原始时间戳连续滚动不同
• 注意 resample 默认关闭闭区间行为，用 closed='right' 或 'left' 明确指定边界，否则月末采样可能漏掉当月最后一条记录

时区和夏令时会让 resample 结果跳变

带时区的 DatetimeIndex（如 UTC 或 Asia/Shanghai）在按日/月重采样时，如果底层时间戳未归一化，夏令时切换当天可能出现 23 小时或 25 小时窗口，导致聚合值异常偏高或偏低。

• 最稳妥做法：统一转成 UTC 再重采样：df.index = df.index.tz_convert('UTC')
• 避免直接用本地时区字符串（如 'CST'），它可能被误解析为美国中部标准时间而非中国标准时间；明确写 'Asia/Shanghai'
• 用 df.index.freq 检查是否推断出合理频率，None 表示 pandas 无法自动识别周期性，此时 resample 仍可工作，但逻辑全靠你指定规则
• 导出前记得把索引时区去掉：df.index = df.index.tz_localize(None)，否则下游系统（如某些数据库或绘图库）可能报错

终于介绍完啦！小伙伴们，这篇关于《Python时间序列分析：重采样与移动平均详解》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！