我尝试在5分钟间隔内为测量类型选择最新时间值。

data = [
        ["2017-01-03T10:04:45", "A", "35.79"],
        ["2017-01-03T10:01:18", "B", "98.78"],
        ["2017-01-03T10:09:07", "A", "35.01"],
        ["2017-01-03T10:03:34", "B", "96.49"],
        ["2017-01-03T10:02:01", "A", "35.82"],
        ["2017-01-03T10:05:00", "B", "97.17"],
        ["2017-01-03T10:05:01", "B", "95.08"]
       ]

df = pd.DataFrame(data, columns=["timestamp", "measurement_type", "measurement_value"])
df['timestamp'] = pd.to_datetime(df['timestamp'])
df['measurement_value'] = df['measurement_value'].astype(float)

我的数据框df：
| 时间戳|测量类型|测量值|
| - ------|- ------|- ------|
| 2017年1月3日10：04：45|A类|三十五点七九|
| 2017年1月3日10：01：18|乙|九十八点七八分|
| 2017年1月3日10：09：07|A类|三十五点零一分|
| 2017年1月3日10：03：34|乙|九十六点四九分|
| 2017年1月3日10：02：01|A类|三十五点八二分|
| 2017年1月3日10：05：00|乙|九十七点一七分|
| 2017年1月3日10：05：01|乙|九十五点零八分|
期望输出IST：
| 时间戳|测量类型|测量值|
| - ------|- ------|- ------|
| 2017年1月3日10：05：00|A类|三十五点七九|
| 2017年1月3日10时10分|A类|三十五点零一分|
| 2017年1月3日10：05：00|乙|九十七点一七分|
| 2017年1月3日10时10分|乙|九十五点零八分|
因此，应将时间戳舍入到时间戳所在的5分钟内。如果时间戳等于时间间隔边界，则应考虑当前时间间隔，例如：|2017年1月3日10：05：00|乙|九十七点一七分|属于10：05：00而不是10：10：00
我发现了这个

df.groupby(["measurement_type", pd.Grouper(key="timestamp", freq="5min", offset="1sec")])["timestamp"].max()

其输出：

measurement_type  timestamp          
SPO2              2017-01-03 10:00:01   2017-01-03 10:05:00
                  2017-01-03 10:05:01   2017-01-03 10:05:01
TEMP              2017-01-03 10:00:01   2017-01-03 10:04:45
                  2017-01-03 10:05:01   2017-01-03 10:09:07
Name: timestamp, dtype: datetime64[ns]

但我对此有以下问题：
1.日期时间是四舍五入，但我需要它四舍五入（我解决了这个问题，只是增加了5分钟，每个日期时间，但也许有一个更好的选择？）
1.我使用了offset ="1sec"，所以10：05：00被认为是10：00：00间隔，而不是10：05：00（请记住这是正确的，因为时间戳正在四舍五入，但我实际上需要它们四舍五入）。我想我将再次从时间戳中减去一秒，以去除01。
1.输出是一个丢失了measurement_value的Series。是否可以保留measurement_value列以及所选时间戳的相应值？我的意思是，就像在所需输出中获得一个DataFrame一样
我希望我的问题是可以理解的