我发现如何通过使用reindex和interpolate来做到这一点。
这就是结果：蓝色点是原始数据，红色线点是重新索引/插值数据。
enter image description here
这是代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

df = pd.DataFrame({'X' : [1.1, 2.05, 3.07, 4.2],
                   'Y1': [10.1, 15.2, 35.3, 40.4],
                   'Y2': [55.05, 40.4, 84.17, 31.5]})
print(df)

df.set_index('X',inplace =True)
print(df)

Xresampled = np.linspace(1,4,15)
print(Xresampled)

#Resampling
#df = df.reindex(df.index.union(resampling))

#Interpolation technique to use. One of:

#'linear': Ignore the index and treat the values as equally spaced. This is the only method supported on MultiIndexes.
#'time': Works on daily and higher resolution data to interpolate given length of interval.
#'index', 'values': use the actual numerical values of the index.
#'pad': Fill in NaNs using existing values.
#'nearest', 'zero', 'slinear', 'quadratic', 'cubic', 'spline', 'barycentric', 'polynomial': Passed to scipy.interpolate.interp1d. These methods use the numerical values of the index. Both 'polynomial' and 'spline' require that you also specify an order (int), e.g. df.interpolate(method='polynomial', order=5).
#'krogh', 'piecewise_polynomial', 'spline', 'pchip', 'akima': Wrappers around the SciPy interpolation methods of similar names. See Notes.
#'from_derivatives': Refers to scipy.interpolate.BPoly.from_derivatives which replaces 'piecewise_polynomial' interpolation method in scipy 0.18.

df_resampled = df.reindex(df.index.union(Xresampled)).interpolate('values').loc[Xresampled]
print(df_resampled)

# gca stands for 'get current axis'
ax = plt.gca()
df.plot(           style='X',  y='Y2', color = 'blue', ax=ax, label = 'Original Data'     )
df_resampled.plot( style='.-', y='Y2', color = 'red',  ax=ax, label = 'Interpolated Data' )
ax.set_ylabel('Y1')
plt.show()

字符串

听起来你想做的就是把长度数字四舍五入到一个较低的精度。
如果是这种情况，你可以使用内置的舍入函数：
（虚拟数据）

>>> df=pd.DataFrame([[1.0000005,4],[1.232463632,5],[5.234652,9],[5.675322,10]],columns=['length','force'])
>>> df
33:      length  force
0  1.000001      4
1  1.232464      5
2  5.234652      9
3  5.675322     10
>>> df['rounded_length'] = df.length.apply(round, ndigits=0)
>>> df
34:      length  force  rounded_length
0  1.000001      4             1.0
1  1.232464      5             1.0
2  5.234652      9             5.0
3  5.675322     10             6.0
>>>

字符串
然后你可以使用groupby复制resample（）....工作流：

>>> df.groupby('rounded_length').mean().force
35: rounded_length
1.0     4.5
5.0     9.0
6.0    10.0
Name: force, dtype: float64

型
一般来说，重采样只用于日期。如果你用它来处理日期以外的事情，可能有一个更优雅的解决方案！

我有一个和你非常相似的问题，我找到了一个解决方案。这个解决方案基本上是
整合->插值->差异化
首先，我将描述我正在解决的问题，以确保我们在同一页上。一个简单的例子是，如果你有点（x1，y1）和（x2，y2），你想要（x0 '，y0'），（x1'，y1'）（你知道x 0 '，x1'，想找到y1 '），x 0' < x1< x1' < x2，然后你想取加权平均值，因此y1' =（（x1' - x1）* y2 +（x1-x 0 '）* y1）/（x1' -x 0 '）。
假设你有一个 Dataframe ，列'x'和'y'，但是你想重新采样到一个新的x new_x，也就是numpy. ndar。

df['integral'] = (df['y'] * (df['x'] - df['x'].shift(1))).cumsum()
new_integral = np.interp(new_x, df['x'].values, df['integral'].values, left=0., right=np.nan)
new = pd.DataFrame({'new_x': new_x, 'integral': new_integral})
new['y'] = (new['integral'] - new['integral'].shift(1)) / (new['new_x'] - new['new_x'].shift(1))

字符串
我会用0.开始new_x，然后从新的 Dataframe 中删除第一个值，因为它将是NaN。你也可以用任何你想要的东西填充和尾随NaN。
我希望这能解决你的问题。我没有证明这个方法解决了上面定义的问题，但这并不难证明。