时间序列需用to_datetime转换并设索引后resample聚合，透视表用pivot_table实现多维交叉统计，二者结合滚动窗口与Grouper可分析动态趋势；须注意数据类型、空值及频率对齐。
时间序列和透视表是Pandas中处理结构化时序数据与多维汇总分析的核心工具。掌握它们，才能真正从原始数据中提炼出业务洞察。
时间序列：用to_datetime和resample做精准切片
真实数据的时间列常以字符串形式存在，直接计算会出错。必须先用pd.to_datetime()统一转换，并设为索引：
- df['date'] = pd.to_datetime(df['date']) # 转换列
- df = df.set_index('date') # 设为行索引
- df_daily = df.resample('D').sum() # 按天聚合（求和）
- df_monthly = df.resample('M').mean() # 按月末频率取均值
注意：resample的频率代码如'D'（日）、'W'（周）、'M'（月末）、'MS'（月初），不是字符串拼写错误；若想按自然月对齐，优先选'MS'再shift(1)更可控。
透视表：pivot_table比groupby更直观地看多维关系
当需要同时按多个维度交叉统计（比如“每个城市每月销售额”），pivot_table比嵌套groupby更简洁、可读性更强：
立即学习“Python免费学习笔记（深入）”；
- pd.pivot_table(df, values='sales', index='city', columns='month', aggfunc='sum')
- 支持多index/columns：index=['region', 'city']，columns=['year', 'quarter']
- 缺失值默认填NaN，可用fill_value=0补零
- 想看占比？加
margins=True 自动加行/列总计，再除一下就得到百分比
小技巧：如果原始数据有重复组合（如同一城市同月多条记录），pivot_table默认用mean聚合，记得显式指定aggfunc避免误算。
时间+透视组合：滚动窗口+动态分组才是实战关键
单纯静态透视不够——业务常问“最近3个月各渠道转化率趋势？”这时要联动使用：
- 先用rolling(3).mean()在时间索引上计算移动平均
- 再用pivot_table按渠道和月份展开，观察变化轨迹
- 或用Grouper(key='date', freq='M')替代简单列分组，确保按真实日历月切分
- 结合query筛选特定时段（如df.query("date >= '2023-01-01'")）再透视，避免全量计算拖慢速度
记住：时间列必须是datetime类型且设为索引，否则resample/Grouper无法识别频率；透视前先检查dtypes和null值，能省掉80%的报错调试时间。
常见陷阱与绕过方法
实际跑代码时容易卡在几个地方：
- 时间列含非法值（如'NULL'、空格、20230013）→ 用errors='coerce'转成NaT，再dropna()
- pivot_table报“DataError: No numeric types to aggregate”→ 检查values列是否被识别为object，用astype(float)强转
- resample后结果为空→ 确认索引是DatetimeIndex（type(df.index)），不是普通Index
- 透视表列名带空格或中文导致后续操作报错→ 设置dropna=False + rename(columns=str.strip)预处理
不复杂但容易忽略：每次生成新时间索引或透视结果后，用head()和info()快速确认结构是否符合预期，比盲目往下写更高效。
