【发布时间】：2019-10-08 07:44:10
【问题描述】：
我正在尝试在我的 pandas 数据框上执行 seasonal_decompose，但遇到了一个我无法通过的错误。我的时间序列数据包含按时间顺序排列的差距，考虑到我的数据是股票价格（在市场交易时间后产生这些差距，以及不同的月份长度等），这是明智的。数据本身可以被认为是连续的，但是 pandas 似乎不想推断任何频率。
我的所有时间范围数据（1m、5m、15m ... 1D、1M）都已正确填充，但没有设置为频率。我的算法在实例化时创建一个空数据帧，并在算法运行期间数据到达时通过loc 向其添加值。所以也许这就是为什么频率最终是 None 的原因（因为 Pandas 通常在生成所有数据后使用）。
我已经尝试在 seasonal_decompose 之前明确设置频率，使用：
data.index.freq = data.index.freq or to_offset(timeframe.Timespan).freqstr
其中 timeframe.Timespan 是一个 python timedelta 对象。结果字符串是准确的（“D”，因为时间跨度恰好是每天）但出现以下错误：
ValueError: Inferred frequency None 从传递的值不符合传递的频率 D
所以我不能在我的索引上明确设置频率？我该如何解决这个问题？无论如何，频率整数（传递给seasonal_decompose）是如何从这些字符串派生的？我也不允许更改 data.index.inferred_freq 的值，所以这不是一个选项。
【问题讨论】：
-
你试过
data.asfreq吗？我想在这种情况下应该是data.asfreq(data.index.freq or to_offset(timeframe.Timespan).freqstr) -
这不会改变原始数据吗？我想保持我的时间戳不变。我必须将我的预测与原始数据集进行比较。或者我会先做 asfreq，然后再做 dropna？
-
“我的时间序列数据包含时间间隔” 那么你不能按原样设置频率，因为索引实际上不是给定的频率。要设置索引中的每个元素的频率，必须用
freq单位分隔，即，如果您的索引从'2018-01-01'跳转到'2018-01-03'，则您不能将频率设置为'D'，因为您错过了一天。 -
@JakeTheSnake 你需要有一个连续的范围，
freq才能工作。调用asfreq确实会调整您的索引并为任何缺失的时间段创建条目（使用None作为默认值）。如果你打电话给dropna，你会再次失去你的freq。 -
在这种情况下你会建议我做什么？我应该用一个值填写 NAs 吗？如果是这样，怎么做？起初认为有很多方法可以处理数据，所有这些都会影响预测。如果我保留 NA，我什至可以进行季节性分解吗？