时间序列数据是数据分析中经常遇到的类型，为了更多的挖掘出数据内部的信息，
我们常常依据原始数据中的时间周期，将其转换成不同跨度的周期，
然后再看数据是否会在新的周期上产生新的特性。
下面以模拟的K线数据为例，演示如何使用pandas来进行周期转换。
首先创建测试数据，下面创建一天的K线数据，数据的间隔为1分钟（1min）。
import pandas as pd
import numpy as np
# 创建时间序列的列，时间间隔1分钟
date_col = pd.date_range("2024-01-01", "2024-01-02", freq="1min")
data_len = len(date_col)
# 模拟的K线数据
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
其中各个字段的含义：open（开盘价），close（收盘价），high（最高价），low（最低价），volumn（成交量）。
如果有股票或者类似交易的朋友都知道，K线的时间间隔是不固定的，不一定像上面的测试数据那样间隔1分钟，
一般根据自己的买卖频率会查看不同时间间隔的K线。
但是采集数据时，一般不会去采集各种时间间隔的K线，我们可以根据1分钟的K线，去转换其他不同时间间隔的K线。
转换的方法，就是使用pandas的resample函数。
通过resample周期转换其实就是以一定的周期对数据进行groupby，所以，resample也像groupby一样，需要对新周期中的数据进行聚合。
比如，下面的数据我们将1分钟的K线转换为5分钟的K线。
df.resample("5min", on="begin_time").agg({
"open": "first",
"close": "last",
"high": "max",
"low": "min",
"volumn": "sum",
})
比如，原始数据每5个聚合成一个。
以前5个数据（2024-01-01 00:00:00~2024-01-01 00:04:00）为例。
open取第一个值，close取最后一个值，high取最大值，low取最小值，volumn取合计值。
除了上面的5分钟的数据，通过resample还可以聚合15分钟的K线，1小时，4小时等等各种时间间隔的K线。
方法类似，这里不再一一赘述。
对于完整的数据，就像上面那样转换即可，然而实际情况下的数据，部分缺失的情况是很常见的，
特别是上面的1分钟K线数据，极有可能1分钟没有交易，出现缺失的情况，有可能连续5分钟都没有数据。
下面看看数据缺失时，resample转换的情况。
先从上面的测试数据中取20个再进行一些删减，构造数据缺失的情况：
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_
每组都有一些缺失，其中（2024-01-01 00:06:00~2024-01-01 00:10:00）整个5分钟的数据都缺失了。
此时，再按照5分钟间隔来resample，得到：
df_.resample("5min", on="begin_time").agg({
"open": "first",
"close": "last",
"high": "max",
"low": "min",
"volumn": "sum",
})
从中可以得出两个结论：
2024-01-01 00:05:00这条时间序列数据的分析过程中，周期转换是一个很常用的操作。
不过，不是简单的用resample来转换就完事了，
周期转换之后也会带来新的问题，比如上面示例中由于转换形成的空值，
这些空值是要直接丢弃？还是要插值？
如果要插值的话，是用基准数据来填充？还是用平均值？用移动平均值？用中位数？等等来插值，
这些都需要根据具体的分析场景和使用的分析算法来进一步讨论。
本文主要介绍使用resample来转换数据，而关于插值方法的详细讨论将另文阐述。