事实证明， Pandas 作为处理时间序列数据的工具非常成功。例如，执行 5 分钟意味着您可以使用如下resample函数：
import pandas as pd
dframe = pd.read_table("test.csv",
delimiter=",", index_col=0, parse_dates=True, date_parser=parse)
## 5 minutes mean
dframe.resample('t', how = 'mean')
## daily mean
ts.resample('D', how='mean')
我如何在 R 中执行此操作？
在 R 中，您可以使用xts专门用于时间序列操作的包。例如，您可以period.apply像这样使用函数：
library(xts)
zoo.data <- zoo(rnorm(31)+10,as.Date(13514:13744,origin="1970-01-01"))
ep <- endpoints(zoo.data,'days')
## daily mean
period.apply(zoo.data, INDEX=ep, FUN=function(x) mean(x))
这个函数有一些方便的包装器，
apply.daily(x, FUN, ...)
apply.weekly(x, FUN, ...)
apply.monthly(x, FUN, ...)
apply.quarterly(x, FUN, ...)
apply.yearly(x, FUN, ...)
R 有数据帧（data.frame），它也可以读取 csv 文件。例如。
dframe <- read.csv2("test.csv")
对于日期，您可能需要使用 colClasses 参数指定列。见?read.csv2。例如：
dframe <- read.csv2("test.csv", colClasses=c("POSIXct",NA,NA))
然后，您应该能够使用round或对日期字段进行四舍五入trunc，这将允许您将数据分解为所需的频率。
例如，
dframe$trunc.times <- trunc(dframe$date.field,1,units='mins');
means <- daply(dframe, 'trunc.times', function(df) { return( mean(df$value) ) });
value您要平均的字段名称在哪里。
就个人而言，我真的很喜欢lubridate和zoo aggregate() 的组合用于这些操作：
ts.month.sum <- aggregate(ts.data, month, sum)
ts.daily.mean <- aggregate(ts.data, day, mean)
ts.mins.mean <- aggregate(ts.data, minutes, mean)
您还可以使用标准时间函数 yearmon() 或 yearqtr()，或用于拆分和应用的自定义函数。这种方法在语法上和pandas一样甜美。