我有一个磁力计传感器读数数据集，如下所示：
TimeStamp X Y Z
1.59408E+12 -22.619999 28.8 -22.14
1.59408E+12 -22.5 29.039999 -22.08
1.59408E+12 -22.32 29.039999 -21.779999
1.59408E+12 -22.38 29.16 -21.6
.
.
.
And so on
时间戳以毫秒为单位，其中 1.59408E+12、1.59408E+12、1.59408E+12 为 1594076006983、1594076006994、1594076007004 等。那么数据的采样率/频率是多少？
一般来说，数据的频率是连续时间戳之间的差异。
如果一切顺利，这种差异将在您的时间序列中保持不变；在这种情况下，这种差异是您的数据的频率。
在其他情况下，它可能会更复杂一些 - 例如，您可能会丢失数据，或者某些时间戳向前或向后移动的数据。
在这种情况下，您可能希望“消除”这些问题，例如通过取这些差异的中位数（如果一些样本来得太早而一些来得太晚）或模式（如果一些样本是缺失，这意味着大多数会在正确的时间出现，而有些会以实际频率的精确倍数出现为时已晚）。
这是 Python 中使用pandas库的示例：
让我们组成一个缺失值的时间序列。它的频率是 5 分钟，但是大约 5% 的样本丢失了（它的数据是 1 到 20 之间的随机整数，并且 1 已经被丢弃了）
import pandas as pd
import random
index = pd.DatetimeIndex(start='2020-01-01 00:00:00', end='2020-04-01 00:00:00', freq='5T')
s = pd.Series(index=index, data=None)
s = s.apply(lambda x: random.randint(1,20))
s=s[s.ne(1)]
现在让我们看看现有（未丢弃）样本之间的时间差异：
s.index.to_series().diff().value_counts()
产量
00:05:00 23629
00:10:00 1191
00:15:00 63
00:20:00 2
即绝大多数样本实际上相隔5分钟，但不是全部。我们将通过取这些差异的中值来取实际频率：
s.index.to_series().diff().median()
产量
Timedelta('0 days 00:05:00')