時間序列數據是數據分析中經常遇到的類型，爲了更多的挖掘出數據內部的信息，
我們常常依據原始數據中的時間週期，將其轉換成不同跨度的週期，
然後再看數據是否會在新的週期上產生新的特性。
下面以模擬的K線數據爲例，演示如何使用pandas來進行週期轉換。
1. 創建測試數據
首先創建測試數據，下面創建一天的K線數據，數據的間隔爲1分鐘（1min）。
import pandas as pd
import numpy as np
# 創建時間序列的列，時間間隔1分鐘
date_col = pd.date_range("2024-01-01", "2024-01-02", freq="1min")
data_len = len(date_col)
# 模擬的K線數據
df = pd.DataFrame(
np.random.randint(1, 10, size=(data_len, 5)),
columns=["open", "close", "high", "low", "volumn"],
)
df.insert(0, "begin_time", date_col)
df
其中各個字段的含義：open（開盤價），close（收盤價），high（最高價），low（最低價），volumn（成交量）。
2. 週期轉換和數據聚合
如果有股票或者類似交易的朋友都知道，K線的時間間隔是不固定的，不一定像上面的測試數據那樣間隔1分鐘，
一般根據自己的買賣頻率會查看不同時間間隔的K線。
但是採集數據時，一般不會去採集各種時間間隔的K線，我們可以根據1分鐘的K線，去轉換其他不同時間間隔的K線。
轉換的方法，就是使用pandas的resample函數。
通過resample週期轉換其實就是以一定的週期對數據進行groupby，所以，resample也像groupby一樣，需要對新週期中的數據進行聚合。
比如，下面的數據我們將1分鐘的K線轉換爲5分鐘的K線。
df.resample("5min", on="begin_time").agg({
"open": "first",
"close": "last",
"high": "max",
"low": "min",
"volumn": "sum",
})
比如，原始數據每5個聚合成一個。
以前5個數據（2024-01-01 00:00:00~2024-01-01 00:04:00）爲例。
open取第一個值，close取最後一個值，high取最大值，low取最小值，volumn取合計值。
除了上面的5分鐘的數據，通過resample還可以聚合15分鐘的K線，1小時，4小時等等各種時間間隔的K線。
方法類似，這裏不再一一贅述。
3. 週期中的缺失值
對於完整的數據，就像上面那樣轉換即可，然而實際情況下的數據，部分缺失的情況是很常見的，
特別是上面的1分鐘K線數據，極有可能1分鐘沒有交易，出現缺失的情況，有可能連續5分鐘都沒有數據。
下面看看數據缺失時，resample轉換的情況。
先從上面的測試數據中取20個再進行一些刪減，構造數據缺失的情況：
df_ = df.copy()
df_ = df_.iloc[:20]
df_ = df_.drop([3, 5, 6, 7, 8, 9, 10, 15, 16])
df_ = df_.reset_index(drop=True)
df_
每組都有一些缺失，其中（2024-01-01 00:06:00~2024-01-01 00:10:00）整個5分鐘的數據都缺失了。
此時，再按照5分鐘間隔來resample，得到：
df_.resample("5min", on="begin_time").agg({
"open": "first",
"close": "last",
"high": "max",
"low": "min",
"volumn": "sum",
})
從中可以得出兩個結論：
- 部分缺失，就用剩餘的數據來聚合計算（比如5分鐘的數據就剩3條，那就用這3條來聚合）
- 整個缺失，那麼就用聚合函數的默認值來填充，比如上面
2024-01-01 00:05:00這條
4. 總結
時間序列數據的分析過程中，週期轉換是一個很常用的操作。
不過，不是簡單的用resample來轉換就完事了，
週期轉換之後也會帶來新的問題，比如上面示例中由於轉換形成的空值，
這些空值是要直接丟棄？還是要插值？
如果要插值的話，是用基準數據來填充？還是用平均值？用移動平均值？用中位數？等等來插值，
這些都需要根據具體的分析場景和使用的分析算法來進一步討論。
本文主要介紹使用resample來轉換數據，而關於插值方法的詳細討論將另文闡述。