时间序列的变化频率

Question

我有一个布尔变量的数据帧，由时间戳定义。时间戳是不规则的，我想填补空白。我知道需要的频率是3毫秒

到目前为止，我可以做以下工作：

df = pd.read_csv(path, sep= ';')
df['timestamp'] = pd.to_datetime(df ['timestamp'], errors='raise',infer_datetime_format = True)
df = df.sort(['timestamp'])
df = df.set_index('timestamp')
df.reindex(pd.period_range(df.index[0], df.index[-1], freq='ms'))     
df = df.fillna(method = 'ffill')

因此，我使用ms间隔重新建立索引，并向前填充缺失的值（这正适合我的情况：所有变量都是布尔值，所以在每一时刻，当前状态都是数据中最后出现的状态）。在

如何每3毫秒重新采样一次？在

编辑：好像数据帧.重采样也可用于上采样。关于如何在我的案例中使用它有什么建议吗？我好像不明白它是怎么工作的。在

Answer 1

使用^{}：

df = pd.DataFrame({
    'timestamp': pd.to_datetime(['2015-02-01 15:14:11.30',
                                 '2015-02-01 15:14:11.36',
                                 '2015-02-01 15:14:11.39']),
    'B': [7,10,3]
})
print (df)
                timestamp   B
0 2015-02-01 15:14:11.300   7
1 2015-02-01 15:14:11.360  10
2 2015-02-01 15:14:11.390   3

df = df.set_index('timestamp').asfreq('3ms', method='ffill')

---

^{pr2}$

Answer 2

如果索引中有时间戳：

df = df.resample('3ms').ffill()

编辑：

绩效基准

^{pr2}$

---

结果：

0.03699994087219238
0.029999732971191406
(1459667, 1)