WOLFRAM

Wolfram 语言与系统参考资料中心

TimeSeriesResample[tseries]

根据时间序列 tseries 的最小时间增量进行均匀重采样.

TimeSeriesResample[tseries,rspec]

按照重采样规范 rspec 对 tseries 进行重采样.

更多信息和选项
Details and Options Details and Options
范例  
基本范例  
范围  
基本用途  
数据类型  
抽样  
选项  
ResamplingMethod  
HolidayCalendar  
应用  
属性和关系  
可能存在的问题  
参见
相关指南
历史
按以下格式引用：

TimeSeriesResample

TimeSeriesResample[tseries]

根据时间序列 tseries 的最小时间增量进行均匀重采样.

TimeSeriesResample[tseries,rspec]

按照重采样规范 rspec 对 tseries 进行重采样.

更多信息和选项

  • TimeSeriesResample 通常用于将不规则时间序列转换为规则时间序列，以便使用针对规则时间序列的算法（例如滤波操作）. 它也可用于对齐多个时间序列.
  • 给定一个时间序列，其时间戳为 ，则可以生成一个时间戳为 、取值为 tseries[τi] 的重采样时间序列.
  • 时间序列 tseries 的可能形式包括：
  • TimeSeries[…]连续的按时间排序的采样数据
    TemporalData[…]由时间-数值对组成的一条或多条路径
    {{t1,x1},{t2,x2},…}时间-数值对的列表
    {x1,x2,…}从 0 开始的隐含整数时间对应的值列表
  • rspec 的基本设置包括：
  • dt间隔为 dt 的均匀时间
    {t_(min),t_(max),dt}从 t_(min) 到 t_(max)、间隔为 dt 的时间
    {{t1,t2,…}}显式时间 {t1,t2,…}
    daytype日期类型规范
  • 可能的 dayspec 类型为："Weekday"、"Weekend"、Monday 到 Sunday、"BeginningOfMonth"、"EndOfMonth"、"BusinessDay" 和 "Holiday".
  • 如果 dt 被设为 Automatic，则采用 tseries 中的最小时间增量.
  • 如果 tseries 包含多个路径，可以用到下列关于 rspec 的设置：
  • "Union"使用出现在 tseries 中的所有时间点
    "Intersection"使用各个路径共有的时间点
    {"Times",p}使用路径 p 的时间点
  • TimeSeriesResample 接受下列选项：
  • ResamplingMethod Automatic用于重采样的方法
    CalendarTypeAutomatic用于解释日期的日历系统
    HolidayCalendar Automatic工作日的假期日历
    TimeZoneAutomatic日期的时区规范

范例

打开所有单元 关闭所有单元

基本范例  (2)

重采样一个 TimeSeries：

Wolfram Language code: ts = TimeSeries[{1.2, 1.8, 1.3, .4, 1.5}, {{1, 2, 3, 4, 7}}]
Wolfram Language code: TimeSeriesResample[ts, .5]
Wolfram Language code: ListPlot[#, Filling -> {2 -> 0}]& /@ {ts, %}

重采样一个多路径的 TemporalData：

Wolfram Language code: data = RandomFunction[PoissonProcess[.3], {1, 50}, 3]

该数据不是均匀采样的：

Wolfram Language code: ListPlot[data]

使用均匀时间重采样：

Wolfram Language code: rdata = TimeSeriesResample[data, 1];
Wolfram Language code: ListPlot[rdata]

范围  (14)

基本用途  (3)

降低时间序列的采样率：

Wolfram Language code: data = RandomFunction[PoissonProcess[30], {1, 5}]
Wolfram Language code: ListPlot[data]

以粒度 0.25 重新抽样：

Wolfram Language code: ds = TimeSeriesResample[data, .25]
Wolfram Language code: ListPlot[ds]

同时对多个路径进行抽样：

Wolfram Language code: data = RandomFunction[PoissonProcess[10], {1, 5}, 20]
Wolfram Language code: ListPlot[data]

以粒度 0.1 重新抽样：

Wolfram Language code: ds = TimeSeriesResample[data, 0.01]
Wolfram Language code: ListPlot[ds]

取 2023 年 3 月的股票价格时间序列：

Wolfram Language code: ts = FinancialData["SBUX", {"March 2023"}];

按日分辨率重采样，对假期和周末进行插值：

Wolfram Language code: tsR = TimeSeriesResample[ts, "Day"]
Wolfram Language code: DateListPlot[#, Joined -> False, Filling -> 0]& /@ {ts, tsR}

数据类型  (6)

以向量形式重新抽样时间序列：

Wolfram Language code: data = {Subscript[x, 1], Subscript[x, 2], Subscript[x, 3], Subscript[x, 4], Subscript[x, 5]};

将采样率提高两倍：

Wolfram Language code: TimeSeriesResample[data, 1 / 2]//Simplify

将采样率降低一半：

Wolfram Language code: TimeSeriesResample[data, 2]

时间-数据对时间序列：

Wolfram Language code: data = {{1, Subscript[x, 1]}, {2, Subscript[x, 2]}, {3, Subscript[x, 3]}, {4, Subscript[x, 4]}, {5, Subscript[x, 5]}};

将采样率提高两倍：

Wolfram Language code: TimeSeriesResample[data, 1 / 2]//Simplify

将采样率降低一半：

Wolfram Language code: TimeSeriesResample[data, 2]

重新抽样 TimeSeries：

Wolfram Language code: data = TimeSeries[{{1, Subscript[x, 1]}, {2, Subscript[x, 2]}, {3, Subscript[x, 3]}, {4, Subscript[x, 4]}, {5, Subscript[x, 5]}}]

将采样率提高两倍：

Wolfram Language code: TimeSeriesResample[data, 1 / 2]//Normal//Simplify

将采样率降低一半：

Wolfram Language code: TimeSeriesResample[data, 2]//Normal//Simplify

默认情况下，EventSeries 不会被插值：

Wolfram Language code: data = EventSeries[{{1, Subscript[x, 1]}, {2, Subscript[x, 2]}, {4, Subscript[x, 4]}}]
Wolfram Language code: TimeSeriesResample[data, 1]//Normal

设置 ResamplingMethod 会覆盖此设置：

Wolfram Language code: TimeSeriesResample[data, 1, ResamplingMethod -> {"Constant", c}]//Normal

给定单一路径，形式为 TemporalData：

Wolfram Language code: data = TemporalData[{{1, Subscript[x, 1]}, {2, Subscript[x, 2]}, {3, Subscript[x, 3]}, {4, Subscript[x, 4]}, {5, Subscript[x, 5]}}]

上采样 2 倍：

Wolfram Language code: TimeSeriesResample[data, 1 / 2]["Path"]

下采样 2 倍：

Wolfram Language code: TimeSeriesResample[data, 2]["Path"]

给定多个路径，形式为 TemporalData：

Wolfram Language code: data = TemporalData[{{Subscript[x, 1], Subscript[x, 2], Subscript[x, 3], Subscript[x, 4], Subscript[x, 5]}, {Subscript[y, 1], Subscript[y, 2], Subscript[y, 3], Subscript[y, 4], Subscript[y, 5]}}, {1}]

上采样 2 倍：

Wolfram Language code: TimeSeriesResample[data, .5]["Paths"]

下采样 2 倍：

Wolfram Language code: TimeSeriesResample[data, 2]["Paths"]

抽样  (5)

根据 TemporalData 中的最小时间增量进行重采样：

Wolfram Language code: data = RandomFunction[PoissonProcess[3], {1, 100}]
Wolfram Language code: rdata = TimeSeriesResample[data]

原始数据是不规则的，而重采样后的数据是规则的：

Wolfram Language code: RegularlySampledQ /@ {data, rdata}

较大的步长 dt 给出更粗糙的采样：

Wolfram Language code: data = RandomFunction[PoissonProcess[3], {1, 100}]
Wolfram Language code: Table[ListPlot[TimeSeriesResample[data, dt], PlotLabel -> dt], {dt, {1, 5, 10}}]

对于日历时间戳，使用时间量作为采样增量：

Wolfram Language code: data = FinancialData["APP", "2022"]
Wolfram Language code: TimeSeriesResample[data, Quantity[2, "Months"]]
Wolfram Language code: DateListPlot[{data, %}]

重采样带有日期的时间序列：

Wolfram Language code: ts = TimeSeries[Range[20], {DateObject[{2026, 1, 30}], Automatic, "Day"}]

选择工作日：

Wolfram Language code: TimeSeriesResample[ts, "BusinessDay"]
Wolfram Language code: DateListPlot[{ts, %}, Joined -> {True, False}, Filling -> {2 -> 0}]

选择周末：

Wolfram Language code: TimeSeriesResample[ts, "Weekend"]
Wolfram Language code: DayName /@ %["Timestamps"]

选择星期三：

Wolfram Language code: TimeSeriesResample[ts, Wednesday]
Wolfram Language code: %//Normal

重采样多条路径：

Wolfram Language code: td = TemporalData[{{{1, x1}, {2, x2}, {2.1, x3}, {3, x4}, {4, x5}}, {{1, y1}, {1.5, y2}, {2, y3}, {2.5, y4}, {3, y5}, {3.5, y6}, {5, y7}}}]

使用时间的并集：

Wolfram Language code: TimeSeriesResample[td, "Union"]
Wolfram Language code: %["Times"]

时间的交集：

Wolfram Language code: TimeSeriesResample[td, "Intersection"]
Wolfram Language code: %["Times"]

使用第一条路径的时间：

Wolfram Language code: TimeSeriesResample[td, {"Times", 1}]
Wolfram Language code: %["Times"]

选项  (4)

ResamplingMethod  (3)

在重采样中指定插值阶数：

Wolfram Language code: data = TimeSeries[{1, 2, 3, 4}, {{1, 3, 4, 7}}]
Wolfram Language code: TimeSeriesResample[data, ResamplingMethod -> {"Interpolation", InterpolationOrder -> 2}]//Normal

默认情况下，使用数据的设置方法：

Wolfram Language code: TimeSeriesResample[data]//Normal
Wolfram Language code: data["ResamplingType"]

将 ResamplingMethod 设为 None 会得到缺失的重采样值：

Wolfram Language code: data = TimeSeries[{1, 2, 3, 4}, {{0, 3, 4, 6}}]
Wolfram Language code: TimeSeriesResample[data, 1, ResamplingMethod -> None]//Normal

使用常数值重采样：

Wolfram Language code: data = TimeSeries[{10, 20, 40, 70}, {{.1, .5, .7, .9}}]
Wolfram Language code: TimeSeriesResample[data, ResamplingMethod -> {"Constant", Mean[data]}]//Normal

HolidayCalendar  (1)

取一个带有日历时间戳的时间序列：

Wolfram Language code: data = TemporalData[Range[8], {DateObject[{2025, 4, 17}]}]

在美国工作日上重采样：

Wolfram Language code: TimeSeriesResample[data, "BusinessDay", HolidayCalendar -> "UnitedStates"]
Wolfram Language code: Normal[%]

在德国工作日上重采样：

Wolfram Language code: TimeSeriesResample[data, "BusinessDay", HolidayCalendar -> "Germany"]
Wolfram Language code: Normal[%]

应用  (5)

该时间序列包含一个人在五个月内每天的步数：

Wolfram Language code: stepdata = TimeSeries[TimeEventSeries`TimestampData[Association["UniformlySpacedQ" -> True, "Count" -> 154, "Endpoints" -> TabularColumn[Association[ "Data" -> {2, {{NumericArray[{15796, 15949}, "Integer32"], {}, None}}, None}, "ElementType" ... {}, None}, "ElementType" -> "Integer64"]], Association["ResamplingMethod" -> "LinearInterpolation", "TimeObservationWindow" -> DateInterval[{{{2013, 4, 1, 0, 0, 0.}, {2013, 9, 1, 0, 0, 0.}}}, "Day", "Gregorian", -6., "UT", Automatic]]];

为一周的每一天选择值：

Wolfram Language code: weekdays = {Monday, Tuesday, Wednesday, Thursday, Friday, Saturday, Sunday}; wk = Map[TimeSeriesResample[stepdata, #]&, weekdays];

计算一周中每一天的平均步数：

Wolfram Language code: avg = Map[Floor[Mean[#]]&, wk];

可视化每天的平均步数：

Wolfram Language code: BarChart[avg, ...]

只有工作日才有金融数据：

Wolfram Language code: data = FinancialData["SBUX", "Close", {{2013, 12, 1}, {2013, 12, 31}}]

自动生成的时间序列是不规则抽样数据：

Wolfram Language code: RegularlySampledQ[data]

根据 "BusinessDay" 重新抽样，使时间序列规则化：

Wolfram Language code: ts = TimeSeriesResample[data, "BusinessDay"]
Wolfram Language code: RegularlySampledQ[ts]

路径保持一致：

Wolfram Language code: data["Path"] == ts["Path"]

金融信息仅在工作日生成：

Wolfram Language code: data = FinancialData["SBUX", "Close", {{2025, 11, 20}, {2026, 1, 5}}]

非工作日没有变化，因此可以通过保留左侧的值按日重采样：

Wolfram Language code: TimeSeriesResample[data, ResamplingMethod -> "PreviousElement"]

在周末和假期上绘图是平坦的：

Wolfram Language code: DateListPlot[%]

用 AirPressureData 来研究在长岛麦克阿瑟机场，由飓风 Sandy 造成的气压变化：

Wolfram Language code: pressure = AirPressureData["KISP", {DateObject[{2012, 10, 27}], DateObject[{2012, 10, 30}]}]
Wolfram Language code: DateListPlot[pressure, FrameLabel -> Automatic]

数据为不规则抽样数据：

Wolfram Language code: RegularlySampledQ[pressure]

为了分析变化率，将数据重新抽样成规则抽样时间序列：

Wolfram Language code: res = TimeSeriesResample[pressure, {DateObject[{2012, 10, 27}], Automatic, "Hour"}]
Wolfram Language code: RegularlySampledQ[res]

分开绘制各数据点，可以从中看出气压的变化情况，较大的间隔表示较快的变化：

Wolfram Language code: DateListPlot[res, Joined -> False]

分析香槟2014年各月的温度：

Wolfram Language code: ts = TimeSeries[TimeEventSeries`TimestampData[Association["UniformlySpacedQ" -> True, "Count" -> 365, "Endpoints" -> TabularColumn[Association[ "Data" -> {2, {{{1388534400000, 1419984000000}, {}, None}}, None}, "ElementType" -> "Date"[" ... 7.78, 6.83, -1.39, -3.89, -4.06, -3.17, -0.72, -0.89, 7.78, 6.22, 2.28, 3.28, 8.17, 0.11, -4.44, -2, -10.28}, {}, None}}, None}, "ElementType" -> TypeSpecifier["Quantity"]["NumberExpression", "DegreesCelsius"]]], Association[]];

初始数据是按天分段的：

Wolfram Language code: ts["MinimumTimeIncrement"]

按月重新取样：

Wolfram Language code: monthlyTemps = TimeSeriesResample[ts, "Month"]
Wolfram Language code: monthlyTemps["MinimumTimeIncrement"]

基本描述概率：

Wolfram Language code: Comap[{Min, Mean, Max}, monthlyTemps]

与原始数据比较：

Wolfram Language code: Comap[{Min, Mean, Max}, ts]
Wolfram Language code: DateListPlot[{ts, monthlyTemps}, PlotLegends -> {"daily temperatures", "resampled monthly"}, FrameLabel -> Automatic]

属性和关系  (2)

取一个时间序列：

Wolfram Language code: ts = TimeSeries[{1, -1.4, -0.5, 2.2, 0.6, 3.5}, {0}]

以小于最小时间增量的间隔重采样将添加时间戳：

Wolfram Language code: TimeSeriesResample[ts, .5]

以大于最小时间增量的间隔重采样：

Wolfram Language code: TimeSeriesResample[ts, 1.3]

在时间域之外指定重采样范围将外推时间序列：

Wolfram Language code: ts = TimeSeries[{1.2, 1.8, -.3, .4, 1.5}, {{1, 2, 3, 4, 7}}]
Wolfram Language code: TimeSeriesResample[ts, {0, 10, .5}]
Wolfram Language code: ListLinePlot[{ts, %}, Filling -> {1 -> 0}]

可能存在的问题  (1)

重新抽样后可能无法保存原有的时间戳：

Wolfram Language code: v = {1, 3, 9, 3, 2}; t = {0, .3, 1, 1.3, 2}; ts = TimeSeries[v, {t}]
Wolfram Language code: TimeSeriesResample[ts]["Timestamps"]//Normal
Wolfram Language code: Complement[%, t]
Wolfram Research (2014)，TimeSeriesResample，Wolfram 语言函数，https://reference.wolfram.com/language/ref/TimeSeriesResample.html （更新于 2026 年）.

文本

Wolfram Research (2014)，TimeSeriesResample，Wolfram 语言函数，https://reference.wolfram.com/language/ref/TimeSeriesResample.html （更新于 2026 年）.

CMS

Wolfram 语言. 2014. "TimeSeriesResample." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2026. https://reference.wolfram.com/language/ref/TimeSeriesResample.html.

APA

Wolfram 语言. (2014). TimeSeriesResample. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/TimeSeriesResample.html 年

BibTeX

@misc{reference.wolfram_2026_timeseriesresample, author="Wolfram Research", title="{TimeSeriesResample}", year="2026", howpublished="\url{https://reference.wolfram.com/language/ref/TimeSeriesResample.html}", note=[Accessed: 04-November-2026]}

BibLaTeX

@online{reference.wolfram_2026_timeseriesresample, organization={Wolfram Research}, title={TimeSeriesResample}, year={2026}, url={https://reference.wolfram.com/language/ref/TimeSeriesResample.html}, note=[Accessed: 04-November-2026]}