降采样

降采样时间颗粒会变大，比如原来是按天统计的数据，现在要变成按周统计。降采样时数据量是减少的，为了避免有些时间戳对应的数据闲置，可以利用内置方法（比如sum、mean等）聚合数据。

在金融领域中，股票数据比较常见的是OHLC重采样，包括开盘价（open）、最高价（high）、最低价（low）和收盘价（close）。为此，Pandas中专门提供了一个ohlc()方法，示例代码如下。

In [46]: date_index = pd.date_range('2018/06/01', periods=30)
         shares_data = np.random.rand(30)
         time_ser = pd.Series(shares_data, index=date_index)
         time_ser

Out[46]: 
2018-06-01  0.217872
2018-06-02  0.392067
2018-06-03  0.127837
2018-06-04  0.346601
2018-06-05  0.078589
… 省略N行 …
2018-06-25  0.468722
2018-06-26  0.266006
2018-06-27  0.630626
2018-06-28  0.690746
2018-06-29  0.840611
2018-06-30  0.969173
Freq: D, dtype: float64
In [47]: time_ser.resample('7D').ohlc() # OHLC重采样
Out[47]: 
​          open   high     low    close
2018-06-01 0.207359 0.817076 0.207359 0.817076
2018-06-08 0.348861 0.917179 0.243257 0.744128
2018-06-15 0.698345 0.698345 0.240547 0.418569
2018-06-22 0.203373 0.891738 0.111924 0.344488
2018-06-29 0.935986 0.935986 0.920508 0.920508

上述示例输出了2018年6月份每周的开盘价、最高价、最低价、收盘价。注意，这些股票数据都是随机数，只供大家学习使用，并不是真实的数据。

重采样就相当于另外一种形式的分组操作，它会按照日期将时间序列进行分组，之后对每个分组应用聚合方法得出一个结果，同样实现了对时间序列数据降采样的效果，示例代码如下。

In [48]: # 通过groupby技术实现降采样
         time_ser.groupby(lambda x: x.week).mean()
Out[48]:
22  0.358104
23  0.366116
24  0.486968
25  0.484954
26  0.664579
dtype: float64