pandas时间序列分析核心是“时间索引→对齐→重采样→滚动计算”主线：需用to_datetime+set_index设时间索引，resample精准按周期重采样，rolling(‘7d’)配合closed参数控制时点对齐，时区处理须先localize再convert。
处理时间序列数据是 Pandas 最核心也最常用的能力之一。关键不在于记住所有函数，而在于理清“时间索引→对齐→重采样→滚动计算”这条主线，再配合合理的时区与频率设置。
让 DataFrame 拥有真正的时间索引
用 pd.to_datetime() 转换列后，必须用 set_index() 显式设为索引，否则无法触发 Pandas 的时间序列智能操作：
- 避免直接写
df['date'] = pd.to_datetime(df['date'])就停住——这仅是普通列 - 正确做法：
df = df.assign(date=pd.to_datetime(df['date'])).set_index('date') - 设好后检查：
df.index.dtype应为datetime64[ns]，且df.index.freq可能自动推断出频率（如 ‘D’、’H’）
按自然周期重采样（resample）比 groupby 更精准
resample() 是专为时间索引设计的分组工具，会自动对齐边界、填充缺失区间，比基于字符串或截取日期的 groupby() 更可靠：
- 日频数据转月频均值：
df.resample('M').mean()—— 自动按月末对齐 - 保留首/末值：
df.resample('W-MON').first()或.last() - 聚合多个指标不同方式：
df.resample('D').agg({'price': 'ohlc', 'volume': 'sum'})
滚动窗口计算要留意 closed 参数和时点对齐
rolling() 默认按行数滚动（如 rolling(7)），但时间序列更常用时间窗口（如 rolling('7D')），此时 closed 参数决定是否包含当前时刻：
立即学习“Python免费学习笔记（深入）”；
-
df.rolling('7D', closed='right').mean()：包含当前行，向前找7天（最常用） -
closed='left'：不包含当前行，只看过去7天（适合避免数据泄露） - 注意：若原始数据非等频（如中间缺某天），
'7D'窗口仍严格按时间跨度算，不是固定7行
时区处理：先本地化，再转换，别跳步
带时区的时间序列必须分两步走，否则会报 Cannot localize tz-aware datetime 错误：
- 无时区索引 → 添加本地时区：
df.index = df.index.tz_localize('Asia/Shanghai') - 已有本地时区 → 转目标时区：
df.index = df.index.tz_convert('UTC') - 读 CSV 时就带时区？用
parse_dates+date_parser配合 dateutil.tz 提前解析，比后续转换更稳妥
不复杂但容易忽略。把索引设对、频率理清、重采样用准、滚动窗闭合方向选好，时序分析就稳了一大半。