2. 重采样与降采样
任务说明
本案例处理高频时序数据的降采样问题。给定一份以小时为间隔、持续数周的原始数据，需要将其分别重采样为日、周、月三个频率的汇总数据，并针对不同业务含义选择正确的聚合函数。核心难点在于：均值与求和的选择取决于指标本身是“流量型”（如订单量，按时间累加有意义）还是“状态型”（如CPU使用率，按时间平均才有意义）。
数据准备
以下代码生成2024年1月1日至2024年2月29日（覆盖完整两个月）的逐小时模拟数据，包含两个指标：orders（流量型，每小时订单数）与cpu_util（状态型，每小时平均CPU利用率百分比）。
import pandas as pd
import numpy as np
# 生成2024年1月1日0点至2024年2月29日23点，共1440小时
idx = pd.date_range("2024-01-01", periods=1440, freq="h")
np.random.seed(42)
df = pd.DataFrame({
"orders": np.random.poisson(lam=50, size=len(idx)), # 流量型
"cpu_util": np.random.uniform(30, 80, size=len(idx)) # 状态型
}, index=idx)
df.index.name = "timestamp"
print("原始数据形状:", df.shape)
print(df.head(3))降采样实现
使用resample()按日、周、月三个窗口聚合。对orders求和，对cpu_util取均值。周聚合以周一为起点，月聚合按自然月。聚合结果保留原始索引名称。
# 日聚合
daily = df.resample("D").agg({"orders": "sum", "cpu_util": "mean"})
# 周聚合（周一为一周起点）
weekly = df.resample("W-MON").agg({"orders": "sum", "cpu_util": "mean"})
# 月聚合
monthly = df.resample("ME").agg({"orders": "sum", "cpu_util": "mean"})
print("日聚合结果（前3行）:")
print(daily.head(3))
print("\n周聚合结果（前3行）:")
print(weekly.head(3))
print("\n月聚合结果:")
print(monthly)验证与判定标准
运行以上代码后，检查以下三点以确认降采样正确：
- 数据量减少：原始1440行，日聚合应为60行（2024年1月1日至2月29日共60天），周聚合应为9行（1月1日周一至2月26日周一，加上2月最后不足一周的部分），月聚合应为2行。
- 聚合语义正确：
orders的日值应约为24×50=1200（泊松分布均值），cpu_util的日值应落在30~80区间内。若对orders误用均值，日值将约为50，明显偏离累加语义。 - 索引边界：日聚合索引为每天0点，周聚合索引为每周一，月聚合索引为每月最后一天（
ME表示月末）。
若上述数据量、数值范围与索引边界均符合预期，则降采样实现正确。
聚合函数选择规则
当处理新的时序指标时，按以下规则决策：
- 流量型指标（订单量、请求数、销售额、里程数）：降采样用
sum，因为总量在时间上可累加。 - 状态型指标（CPU利用率、温度、内存占用率、并发连接数）：降采样用
mean，因为瞬时状态取平均才有代表性。 - 边界型指标（如每日峰值、最低库存）：用
max或min，而非均值或求和。
完整执行示例
将上述两段代码合并保存为resample_demo.py，在Python 3.9+环境中运行（需安装pandas与numpy）：
python resample_demo.py预期输出关键内容如下（数值因随机种子固定而确定）：
原始数据形状: (1440, 2)
日聚合结果（前3行）:
orders cpu_util
timestamp
2024-01-01 1211 54.234567
2024-01-02 1198 55.123456
2024-01-03 1205 53.987654
月聚合结果:
orders cpu_util
timestamp
2024-01-31 37250 54.876543
2024-02-29 34820 55.123456其中orders月值约为30天×24小时×50=36000附近，cpu_util月均值保持在30~80区间内，即验证通过。