如何用Pandas实现自定义年度周期的时间切片与月度求和聚合？

嘿，我刚好能帮你解决这个Pandas时间序列的问题！你提到的自定义年度周期和时段划分需求，完全可以用Pandas的内置工具搞定，不用写复杂的自定义函数，我给你一步步拆解：

核心思路 #

我们可以借助Pandas的时间频率标识和布尔筛选来实现：

1. 用AS-Nov这个内置频率字符串定义起始于11月的自定义年度；
2. 通过月份判断划分两个固定时段；
3. 结合resample（针对日度数据）和分组筛选完成聚合。

步骤1：处理示例/实际数据 #

先拿你提供的月度示例数据演示，实际日度数据只需要多一步转月度求和：

import pandas as pd
import numpy as np

# 你的示例月度数据
idx = pd.Series(pd.date_range("2016-11-1", freq="M", periods=48))
dft = pd.DataFrame(np.random.randn(48,1),columns=["NW"], index=idx)

# 如果是实际日度数据，先转成月度求和（关键一步！）
# daily_df = pd.read_csv("your_daily_data.csv", index_col=0, parse_dates=True)
# dft = daily_df.resample('M').sum()  # 按月份聚合求和

步骤2：标记自定义年度和时段 #

给每条数据添加两个标签：所属的自定义年度、所属的分析时段：

# 标记自定义年度：用"AS-Nov"表示年度起始于11月，转成字符串方便阅读
dft['custom_year'] = dft.index.to_period('AS-Nov').astype(str)

# 标记分析时段：判断月份是否属于11-4月或5-10月
dft['period'] = np.where(
    dft.index.month.isin([11,12,1,2,3,4]),
    'Nov-Apr',  # 11月至次年4月
    'May-Oct'   # 5月至同年10月
)

步骤3：提取两个时段的月度求和序列 #

直接筛选出对应时段的数据，就是你需要用来画散点图的时间序列：

# 提取11月-次年4月的月度求和数据
nov_apr_series = dft[dft['period'] == 'Nov-Apr']['NW']

# 提取5月-10月的月度求和数据
may_oct_series = dft[dft['period'] == 'May-Oct']['NW']

步骤4：绘制散点图 #

用Matplotlib直接绘制两个时段的散点图（你也可以用Seaborn美化）：

import matplotlib.pyplot as plt

# 绘制Nov-Apr时段的散点图
plt.figure(figsize=(10,6))
plt.scatter(nov_apr_series.index, nov_apr_series.values)
plt.title('Monthly Sum of NW (Nov-Apr) Over 60 Years')
plt.xlabel('Date')
plt.ylabel('Total NW')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

# 绘制May-Oct时段的散点图
plt.figure(figsize=(10,6))
plt.scatter(may_oct_series.index, may_oct_series.values)
plt.title('Monthly Sum of NW (May-Oct) Over 60 Years')
plt.xlabel('Date')
plt.ylabel('Total NW')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

额外需求：按自定义年度聚合时段总和 #

如果你需要统计每个自定义年度内，两个时段的总求和（而不是月度求和），可以用分组聚合：

# 按自定义年度+时段分组，计算每个组的总和
annual_period_total = dft.groupby(['custom_year', 'period'])['NW'].sum().unstack()
print(annual_period_total)

关键知识点解释 #

• AS-Nov是Pandas内置的频率代码：AS代表年度起始（Annual Start），Nov指定起始月份为11月，完美匹配你自定义年度的需求，不用自己写逻辑判断。
• resample('M').sum()是Pandas处理时间序列聚合的标准方法，日度转月度、季度转年度都可以用它，灵活高效。
• 用np.where结合dt.month.isin()做时段划分，比自定义函数更简洁，可读性也更强。

内容的提问来源于stack exchange，提问作者TommiWe