当前位置：首页 > news >正文

【Pandas】pandas DataFrame asfreq

news 2025/6/26 8:07:03

Pandas2.2 DataFrame

Time Series-related

方法	描述
DataFrame.asfreq(freq[, method, how, …])	用于将时间序列数据转换为指定频率（resample to frequency）的方法

`pandas.DataFrame.asfreq()`

pandas.DataFrame.asfreq() 是一个用于**将时间序列数据转换为指定频率（resample to frequency）**的方法。它常用于处理 DatetimeIndex 类型的 DataFrame 或 Series，可以改变索引的时间频率，并在必要时插入缺失值或使用指定方法填充。

📌 方法签名

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

🔧 参数说明：

参数	说明
`freq`	目标频率字符串，如 `'D'`（天）、`'W'`（周）、`'M'`（月）、`'Q'`（季度）、`'A'`（年）等
`method`	填充方法，可选 `'backfill'`/`'bfill'`（后向填充）或 `'pad'`/`'ffill'`（前向填充）
`how`	对齐方式，可选 `'start'` 或 `'end'`（主要用于多周期对齐）
`normalize`	是否将时间戳标准化为午夜时间（00:00:00），默认 `False`
`fill_value`	用于填充新引入的 NaN 值，默认为 `NaN`

✅ 返回值

返回一个新的 DataFrame 或 Series，其索引被调整为目标频率 freq；
原始数据不会被修改（除非使用 inplace=True）；

🧪 示例代码及结果

示例 1：基本用法（按日频率转换）

import pandas as pd
import numpy as np# 创建一个时间序列 DataFrame
index = pd.date_range('2025-01-01', periods=4, freq='2D')  # 每两天一个数据点
df = pd.DataFrame({'value': [10, 20, 30, 40]}, index=index)print("Original DataFrame:")
print(df)

输出：

            value
2025-01-01     10
2025-01-03     20
2025-01-05     30
2025-01-07     40

# 转换为每日频率，不填充
df_daily = df.asfreq('D')
print("\nAfter .asfreq('D'):")
print(df_daily)

输出：

              value
2025-01-01    10.0
2025-01-02     NaN
2025-01-03    20.0
2025-01-04     NaN
2025-01-05    30.0
2025-01-06     NaN
2025-01-07    40.0

示例 2：使用前向填充（`method='ffill'`）

df_daily_ffill = df.asfreq('D', method='ffill')
print("\nAfter .asfreq('D', method='ffill'):")
print(df_daily_ffill)

输出：

            value
2025-01-01     10
2025-01-02     10
2025-01-03     20
2025-01-04     20
2025-01-05     30
2025-01-06     30
2025-01-07     40

示例 3：使用后向填充（`method='bfill'`）

df_daily_bfill = df.asfreq('D', method='bfill')
print("\nAfter .asfreq('D', method='bfill'):")
print(df_daily_bfill)

输出：

            value
2025-01-01     10
2025-01-02     20
2025-01-03     20
2025-01-04     30
2025-01-05     30
2025-01-06     40
2025-01-07     40

示例 4：设置填充数值（`fill_value=0`）

df_daily_fill0 = df.asfreq('D', fill_value=0)
print("\nAfter .asfreq('D', fill_value=0):")
print(df_daily_fill0)

输出：

            value
2025-01-01     10
2025-01-02      0
2025-01-03     20
2025-01-04      0
2025-01-05     30
2025-01-06      0
2025-01-07     40

示例 5：标准化时间戳（`normalize=True`）

df_normalize = df.asfreq('D', normalize=True)
print("\nAfter .asfreq('D', normalize=True):")
print(df_normalize)

此操作会将所有时间戳设为当天的 00:00:00，适用于统一时间格式。

🧠 应用场景

场景	说明
时间序列对齐	将不同频率的数据统一到相同频率进行比较
缺失值插补	使用 `method='ffill'` 或 `method='bfill'` 插入缺失数据
可视化准备	统一时间间隔便于绘图
模型输入预处理	确保时间序列是规则频率，便于建模
数据清洗	标准化时间戳、填充空缺日期

⚠️ 注意事项

asfreq() 不会自动聚合数据（与 resample() 不同），仅重采样；
若目标频率比原始频率更细粒度，会引入 NaN；
若目标频率比原始频率更粗粒度，则只保留原数据点；
method 和 fill_value 只能二选一，不能同时使用；
asfreq() 更适合已知数据点不变的情况下做频率转换。

✅ 对比 `asfreq()` vs `resample()`

特性	`asfreq()`	`resample()`
是否聚合	❌	✅
频率控制	设置固定频率	支持分组聚合
插值方式	支持 ffill/bfill	需要调用 `.interpolate()`
更适合	时间序列对齐	时间窗口统计分析
是否保留原始数据	✅	❌（需聚合）