前言
哈囉！！！各位讀者好，不知不覺間已經來到 2026 年，距離上一次更新竟然已經過了 8 個月了呢。當時筆者正被微積分、線性代數、機率與統計輪番折磨，進而導致部落格斷更了一段時間。現在回過頭看，當時困擾筆者許久的問題，其實也沒有想像中那麼困難，只是需要多花一點時間去理解與消化罷了。不知道各位讀者是否也已經順利解決當時所面臨的那些難題了呢？
在 2026 年 1 月 12 日這一天，筆者在此祝福各位讀者——
新年快樂、身體健康、闔家平安、事業順利、心想事成！
文章背景說明
本篇文章將用來接續上一篇：〈三種取得比特幣價格數據的實用方法〉。
如果各位讀者曾經使用過該文章中提到的第二種方法，想必會遇到一個問題：
「我想要不同時間級別的 K 線資料，但程式一次只能抓取一種時間級別。」
因此，讀者往往需要手動修改時間級別，反覆執行程式來取得不同週期的 K 線資料。 有些勤奮的讀者，可能真的就這樣一個一個時間級別慢慢抓；而有程式基礎的讀者，則可能會使用 Double For Loop，一次性抓取多個幣種與多個時間範圍的資料。
不過，這些做法多少都會讓程式碼變得冗長，也容易產生大量重複的 CSV 檔案。
本篇要介紹的方法：資料重采樣（Resampling）
在這篇文章中，筆者想要介紹另一種更彈性、也更優雅的方法——
資料重采樣（Resampling Data）。
透過 Python 中的 Pandas 套件，我們可以將既有的 K 線資料，轉換成其他時間級別的 K 線資料。
需要特別注意的是：
👉 重采樣只能轉換成「比原始資料更大的時間級別」。
舉例來說，若你手上有的是 1 小時 K 線資料，那麼你可以將它轉換成 2 小時、4 小時，甚至是日線，但無法反向轉成 30 分鐘或 15 分鐘的 K 線。
實作步驟說明
步驟 1：讀取 CSV 檔案，並將時間欄位設為索引
目的是讓 Pandas 能夠正確辨識時間序列，這也是進行重采樣所必須的資料格式。
import os
import pandas as pd
# ====== file path（建議使用最小時間級別的數據文件）======
file = r"C:\Users\yuanc\BTCUSDT_5m.csv"
df = pd.read_csv(file)
# ====== 時間列處理：設爲索引 ======
df["OpenTime"] = pd.to_datetime(df["OpenTime"])
df = df.sort_values("OpenTime").set_index("OpenTime")
CSV FILE裡的內容
步驟 2：選擇欲重采樣的時間級別
# ====== 你想要的週期 ======
days_weeks_month = ["1d", "1w", "1M"]
hours = ["1h", "2h", "4h", "6h", "8h", "12h"]
minutes = ["3m", "5m", "10m", "15m", "30m"]
timeframes = minutes + hours + days_weeks_month
# 或將所有時間級別裝在同一個LIST裡
# timeframes = ["3m", "5m", "10m", "15m", "30m", "1h", "2h", "4h", "6h", "8h", "12h"]
注意事項：
筆者使用的原始資料為 比特幣 5 分鐘 K 線資料，因此只能將其重采樣成 5 分鐘的倍數（例如 15m、30m、1h）。
因此，需要從程式碼中移除像是 3m、7m 這類無法整除的時間級別。
若讀者有需求產生 7 分鐘 K 線，則必須從 1 分鐘 K 線資料 開始進行重采樣。
步驟 3：定義 OHLCV 聚合規則（核心邏輯）
# ====== 輸出目錄（和源文件同目錄）======
# RESAMPLE後的CSV FILE會跟你原始的CSV FILE在同一處
out_dir = os.path.dirname(file)
symbol = "BTCUSDT"
# ====== resample 規則（OHLCV）======
agg = {
"Open": "first",
"High": "max",
"Low": "min",
"Close": "last",
"Volume": "sum",
"CloseTime": "last", # 這裡保留 closeTime 的“最後一條”
}
這一步是整個重采樣的核心，用來定義：
當多根小週期 K 線合併成一根大週期 K 線時，各欄位該如何計算。
以「6 根 5 分鐘 K 線合成 1 根 30 分鐘 K 線」為例：
- Open（開盤價）：取該時間區間第一根 K 線 →
first - High（最高價）：取區間內最高的 High →
max - Low（最低價）：取區間內最低的 Low →
min - Close（收盤價）：取區間內最後一根的 Close →
last - Volume（成交量）：區間內所有成交量加總 →
sum - CloseTime：取最後一根 K 線的 CloseTime →
last
以上即為標準的 K 線合成邏輯。
步驟 4：使用 for 迴圈，對所有選定的時間級別進行重采樣
此步驟可讓程式自動產生多個不同週期的 K 線資料。
for tf in timeframes:
# pandas resample 频率：m->min, h->H, d->D, w->W, M->ME
rule = tf
if tf.endswith("m"):
rule = tf[:-1] + "min" # 3min -> 3minute
elif tf.endswith("h"):
rule = tf[:-1] + "h" # 2h -> 2hour
elif tf.endswith("d"):
rule = tf[:-1] + "D" # 1d -> 1Day
elif tf.endswith("w"):
rule = tf[:-1] + "W" # 1w -> 1Week
elif tf.endswith("M"):
rule = tf[:-1] + "ME" # 1ME/1M -> 1Month（月）
# 把 5 分鐘數據聚合成更大週期
out = df.resample(rule, label="left", closed="left").agg(agg).dropna()
步驟 5：將各週期的 K 線資料存成 CSV 檔案
依需求選擇是否儲存，或直接用於後續分析與回測。
# 保存每個週期的 CSV
out = out.reset_index()
out_file = os.path.join(out_dir, f"{symbol}_{tf}.csv")
out.to_csv(out_file, index=False)
print(f"Saved: {out_file} rows={len(out)}")
總結
透過資料重采樣的方法，讀者可以：
- 一次性產生任意所需的時間級別 K 線
- 不再需要儲存大量不同時間週期的 CSV 檔案
- 只需保留「最小時間級別」的原始資料即可
這在進行策略回測、多週期分析時，會特別方便。
感謝各位讀者花時間閱讀本篇文章，希望對你有所幫助。
如果你喜歡這篇文章，歡迎給我一個大大的愛心 ❤️，並追蹤筆者。 我們下篇文章見，掰掰！
