pd.Grouper(freq='15min')本质是按15分钟边界对齐时间索引后分组，要求索引为datetime64[ns]、已升序排序，并需显式指定origin和closed以控制对齐方式与区间闭合，否则易导致分组错位或空桶丢失。
pd.Grouper(freq='15min') 本质是重采样，不是简单切片
pd.Grouper(freq='15min') 实际上会把时间索引对齐到最近的 15 分钟边界（如 00:00、00:15、00:30），然后按该边界分组。它不关心原始数据是否落在区间内——哪怕某条记录是 00:14:59.999，也会被归入 00:00 这个桶；而 00:15:00.000 起始的数据才进 00:15 桶。
这意味着：如果你的时间戳是乱序、跨天、或带毫秒/时区，直接用 pd.Grouper 可能导致分组错位或空桶。
- 确保
index是datetime64[ns]类型，不是object或字符串 —— 否则freq参数会被静默忽略 - 若原始时间有毫秒但你只关心整分钟，建议先用
.dt.floor('1s')或.dt.round('1s')统一精度，避免因浮点对齐误差导致意外分组 - 时区敏感：如果 index 带时区（如
UTC或Asia/Shanghai），freq会按该时区对齐；若没时区，freq按本地系统时区解释（可能出错）
不规则间隔下必须先 sort_index()，否则分组结果不可靠
不规则时间序列常伴随乱序时间戳（比如传感器断连后补传、多源拼接）。pd.Grouper 不做内部排序，它只是按索引值“扔进桶”，顺序错会导致同一时间窗口的数据被拆到不同组，甚至聚合结果为空。
正确做法是显式排序：
df = df.sort_index()
注意：sort_index() 默认升序；若你明确需要降序聚合（如取每 15 分钟最后一条），得配合 groupby(...).last()，但分组本身仍需升序索引才能保证桶边界连续。
- 不要依赖
df.groupby(pd.Grouper(freq='15min')).agg(...)自动处理乱序 - 如果数据量大，
sort_index()有性能开销，但无法跳过 —— 这是pd.Grouper的硬性前提 - 可加
verify_integrity=True检查索引是否重复或非单调，提前暴露问题
空时间桶默认被丢弃，需用 origin 和 closed 显式控制对齐方式
默认情况下，pd.Grouper(freq='15min') 使用 origin='start_day'（即从当天 00:00 开始对齐），且 closed='left'（左闭右开区间）。这会导致：若你的数据从 00:07 开始，第一个桶是 [00:00, 00:15)，但里面没数据 → 该组直接消失，不会留空行。
要保留完整时间线（比如画图需要等距横轴），得组合参数：
df.groupby(pd.Grouper(freq='15min', origin='start', closed='left')).agg(...).asfreq('15min')
-
origin='start'：以数据中第一个时间戳为起点对齐（而非当天零点），更贴合不规则起始 -
closed='right'：改成右闭左开（如(00:00, 00:15]），影响边界值归属，尤其当有精确落在00:15:00的记录时 -
asfreq('15min')或.reindex(...)才能补全缺失桶，仅靠Grouper无法生成空组
替代方案：resample() 更直观，但底层逻辑一致
很多人不知道：df.resample('15min').agg(...) 和 df.groupby(pd.Grouper(freq='15min')).agg(...) 在时间序列上行为完全等价，只是语法糖。区别在于：resample() 强制要求索引是 datetime，报错更早、更明确。
所以遇到问题，优先用 resample 调试：
df.resample('15min', origin='start', closed='left').mean()
它和 Grouper 共享所有参数，且支持链式调用（如 .ffill() 补空），调试起来更直接。
- 如果
resample报TypeError: Only valid with DatetimeIndex, TimedeltaIndex or PeriodIndex，说明索引类型不对，别绕路 -
resample不支持多级索引的时间列直接分组（Grouper可以通过key指定列），这点要注意场景适配 - 高频写法如
df.set_index('ts').resample('15T')中的'15T'等价于'15min'，T 是 minute 的缩写
freq 就只是个摆设。 
