base参数应用于午夜，因此在您的示例中，采样从00：30开始，并从那里增加78分钟的增量。

选项1：

计算应用于午夜的base应该是多少，以便到达9：30（在本例中为24）：

Data.resample(tframe, base=24)

选项二：

自己生成datetimeindex，并使用reindex重新采样：

index = pd.date_range('2009-01-30 09:30:00', '2009-01-30 16:00:00', freq='78min')
Data.reindex(index=index)

EDIT：对于多天，您需要自己生成时间戳。

index_date = pd.date_range('2016-04-01', '2016-04-04')
index_date = pd.Series(index_date)
index_time = pd.date_range('09:30:00', '16:00:00', freq='78min')
index_time = pd.Series(index_time.time)

index = index_date.apply(
    lambda d: index_time.apply(
        lambda t: datetime.combine(d, t)
        )
    ).unstack().sort_values().reset_index(drop=True)

下面是代码的作用：

• 生成您感兴趣的日期和时间，并将它们转换为具有apply属性的序列。
• 使用嵌套的“applices”，循环日期和时间，并将它们组合成一个datetime对象。
• 输出是一个正方形的 Dataframe （每个日期一列），所以我unstack并对时间戳进行排序（最后重置索引以摆脱沿着生成的无用索引）。

生成的index可用于重新索引，如最初的选项2所示：

Data.reindex(index=index)

IanS给出的答案相当完整。
正如我注意到你的问题中的日期，我认为你是在印度交易场景中尝试这些操作.所以，它会更好，如果你创建您的自定义日历使用pd.tseries.offsets.CustomBusinessDay(holidays=holiday_list)：https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html?highlight=holiday#custom-business-days
假设从1980年到2025年（仅适用于B日（））+删除（1980年到2025年的交易假期列表（您可以在谷歌上搜索）。
这将帮助你，如果你正在做纸交易回测和进口数据从许多股票。

或者您可以安装package：pip install pandas_market_calendars

import pandas_market_calendars as mcal

# Create a calendar
nyse = mcal.get_calendar('NYSE')

# Show available calendars
print(mcal.get_calendar_names())

early = nyse.schedule(start_date='2012-07-01', end_date='2012-07-10')
early

                  market_open             market_close
=========== ========================= =========================
 2012-07-02 2012-07-02 13:30:00+00:00 2012-07-02 20:00:00+00:00
 2012-07-03 2012-07-03 13:30:00+00:00 2012-07-03 17:00:00+00:00
 2012-07-05 2012-07-05 13:30:00+00:00 2012-07-05 20:00:00+00:00

mcal.date_range(early, frequency='1D')

DatetimeIndex(['2012-07-02 20:00:00+00:00', '2012-07-03 17:00:00+00:00',
               '2012-07-05 20:00:00+00:00', '2012-07-06 20:00:00+00:00',
               '2012-07-09 20:00:00+00:00', '2012-07-10 20:00:00+00:00'],
              dtype='datetime64[ns, UTC]', freq=None)

mcal.date_range(early, frequency='1H')

DatetimeIndex(['2012-07-02 14:30:00+00:00', '2012-07-02 15:30:00+00:00',
               '2012-07-02 16:30:00+00:00', '2012-07-02 17:30:00+00:00',
               '2012-07-02 18:30:00+00:00', '2012-07-02 19:30:00+00:00',
               '2012-07-02 20:00:00+00:00', '2012-07-03 14:30:00+00:00',

之后就做吧

Data.reindex(index=name_of_date_object_list)