让我用一个例子来说明：
# generate a series of 365 days# index = 20190101, 20190102, ... 20191231# values = [0,1,...364]ts = pd.Series(range(365), index = pd.date_range(start='20190101', end='20191231', freq = 'D'))ts.head()output:2019-01-01 02019-01-02 12019-01-03 22019-01-04 32019-01-05 4Freq: D, dtype: int64
现在，按季度重新采样数据：
ts.asfreq(freq='Q')output:2019-03-31 892019-06-30 1802019-09-30 2722019-12-31 364Freq: Q-DEC, dtype: int64
将
asfreq()返回一个
Series与每个季度在它的最后一天对象。
ts.resample('Q')output:DatetimeIndexResampler [freq=<QuarterEnd: startingMonth=12>, axis=0, closed=right, label=right, convention=start, base=0]重新采样返回a
DatetimeIndexResampler，您将看不到实际内容。将其视为
groupby方法。它创建一个
bins（组）列表：
bins = ts.resample('Q')bin.groupsoutput: {Timestamp('2019-03-31 00:00:00', freq='Q-DEC'): 90, Timestamp('2019-06-30 00:00:00', freq='Q-DEC'): 181, Timestamp('2019-09-30 00:00:00', freq='Q-DEC'): 273, Timestamp('2019-12-31 00:00:00', freq='Q-DEC'): 365}到目前为止，除了返回类型外，没有什么不同。让我们计算每个季度的平均值：
# (89+180+272+364)/4 = 226.25ts.asfreq(freq='Q').mean()output:226.25
当
mean()施加时，它输出平均的所有值。请注意，这不是每个季度的平均值，而是每个季度最后一天的平均值。
要计算每个季度的平均值：
ts.resample('Q').mean()output:2019-03-31 44.52019-06-30 135.02019-09-30 226.52019-12-31 318.5您可以执行功能更强的操作
resample()比
asfreq()。
想想
resample为
groupby+每一个方法，你可以调用后
groupby（例如，平均值，总和，应用，你的名字）。
可以将其
asfreq视为
fillna()功能有限的过滤器机制（在fillna（）中，您可以指定
limit，但asfreq（）不支持它）。
