我有金融交易数据(时间戳上交易时间，所以有重复的时间，日期时间间隔不规则)。基本上，我在pandas数据帧中只有一个日期时间列和一个价格列，我已经计算了回报，但我想线性插值数据，这样我就可以获得每秒钟、每分钟、每天等的价格估计…
似乎最好的方法是将周二的开始视为发生在周一结束之后，因此基本上是在两天之间的时间进行调整。熊猫能提供一种简单的方法吗？我搜索了文档并找到了BDay，但这似乎并不是我想要的。
编辑：这是我的代码示例：
df = read_csv(filePath,usecols=[0,4]) #column 0 is date_time and column 4 is price
df.date_time = pd.to_datetime(df.date_time,format = '%m-%d-%Y %H:%M:%S.%f')
def get_returns(df):
return np.log(df.Price.shift(1) / df.Price)
但我的问题是，这是交易数据，所以我有一段时间内某只股票的每一笔交易，交易只发生在一个交易日(上午9:30至下午4点)，数据带有时间戳。我可以取每一笔交易的价格，并制作一个价格序列，但当我计算峰度和其他风格化的事实时，我会得到非常奇怪的结果，因为这些统计数据通常是在均匀间隔的时间序列数据上运行的。
我开始做的是编写代码来线性插值我的数据，这样我就可以每10秒、每分钟、每10分钟、每小时、每天等得到一次价格。然而，由于工作日、周末、节假日以及所有无法进行交易的时间，我想让python认为唯一存在的时间是在工作日，这样我的真实世界时间仍然与正确的日期时间相匹配，但不是说我需要一个交易结束时所有时间的价格戳。
def lin_int_tseries(series, timeChange):
tDelta = datetime.timedelta(seconds=timeChange)
data_times = series['date_time']
new_series = []
sample_times = []
sample_times.append(data_times[0])
while max(sample_times) < max(data_times):
sample_times.append(sample_times[-1] + tDelta)
for position,time in enumerate(sample_times):
try:
ind = data_times.index(time)
new_series.append(series[ind])
except:
t_next = getnextTime(time,data_times) #get next largest timestamp in data
t_prev = getprevTime(time,data_times) #get next smallest timestamp in data
ind_next = data_times.index(t_next) #index of next largest timestamp
ind_prev = data_times.index(t_prev) #index of next smallest timestamp
p_next = series[ind_next][1] #price at next timestamp
p_prev = series[ind_prev][1] #price a prev timestamp
omega = (float(time) - t_prev)/(t_next - t_prev) #linear interpolation
p_interp = (1 - omega)*p_prev + omega*p_next
new_series.append([time,p_interp])
return new_series
很抱歉，如果还不清楚。我只想找到一些方法，将一个交易日的结束缝合到下一个交易天的开始，同时不丢失实际的日期时间信息。
您应该使用pandas重采样：
df=df.resample("D")