python - 重新采样并填充 Pandas 中丢失的数据

我有一个原始数据集，如下所示：

df = pd.DataFrame({'speed': [66.8,67,67.1,70,69],
                   'time': ['2017-08-09T05:41:30.168Z', '2017-08-09T05:41:31.136Z', '2017-08-09T05:41:31.386Z', '2017-08-09T05:41:31.103Z','2017-08-09T05:41:35.563Z' ]})

我可以做一些处理，让它看起来像（删除微秒）：

df['time']= pd.to_datetime(df.time)
df['time'] = df['time'].apply(lambda x: x.replace(microsecond=0))

>>> df
   speed                time
0   66.8 2017-08-09 05:41:30
1   67.0 2017-08-09 05:41:31
2   67.1 2017-08-09 05:41:31
3   70.0 2017-08-09 05:41:31
4   69.0 2017-08-09 05:41:35

现在我需要重采样数据，以便到达同一时间戳的任何条目都被平均化，并且对于没有接收到任何数据的时间戳，使用最后可用的值。喜欢

   speed                time
0   66.80 2017-08-09 05:41:30
1   68.03 2017-08-09 05:41:31
2   70.00 2017-08-09 05:41:32
3   70.00 2017-08-09 05:41:33
4   70.00 2017-08-09 05:41:34
5   69.00 2017-08-09 05:41:35

我知道这可能涉及使用GROPBY和重新采样，但作为初学者，我发现自己与这些斗争。有什么想法吗？
我试过了，但结果不对：

df.groupby( [df["time"].dt.second]).mean()
          speed
time
30    66.800000
31    68.033333
35    69.000000

最佳答案

In [279]: df.resample('1S', on='time').mean().ffill()
Out[279]:
                         speed
time
2017-08-09 05:41:30  66.800000
2017-08-09 05:41:31  68.033333
2017-08-09 05:41:32  68.033333
2017-08-09 05:41:33  68.033333
2017-08-09 05:41:34  68.033333
2017-08-09 05:41:35  69.000000