如何将日期拆分的Dataframe重塑为时间序列并批量处理分组数据

不需要手动逐个命名分组，用Pandas的groupby.apply配合pd.concat就能搞定，步骤如下：

1. 写一个分组处理函数 #

针对每个年月分组的DataFrame，完成转置、日期整合的操作：

import pandas as pd

def process_single_group(group_df):
    # 提取当前分组的年月（每个分组里的Month&Year值都一致，取第一个即可）
    month_year_str = group_df['Month&Year'].iloc[0]
    # 转置数据，让"日"索引变成列
    transposed = group_df.T
    # 删掉Month&Year行，只保留rate、pressure、cut的参数数据
    transposed = transposed.drop('Month&Year')
    # 把列名（日）和年月拼接成完整日期，转成datetime格式
    transposed.columns = pd.to_datetime(f"{transposed.columns} {month_year_str}", format="%d %b %Y")
    # 再次转置，让日期成为行索引、参数成为列
    return transposed.T

2. 批量处理并合并 #

用groupby按Month&Year分组，调用上面的函数处理每个分组，最后合并所有结果：

# 假设你的原始DataFrame名为raw_df
# sort=False保证分组顺序和原数据中年月出现的顺序一致，不会自动按年月排序
grouped = raw_df.groupby('Month&Year', sort=False)
# 批量处理所有分组
processed_groups = grouped.apply(process_single_group)
# 合并并清理索引
final_time_series = processed_groups.reset_index(level=0, drop=True).sort_index()

注意点 #

• 如果你的Month&Year格式不是Jan 2024这种“月缩写+年”，要调整pd.to_datetime里的format参数，比如格式是2024-01的话，改成"%d %Y-%m"
• sort_index()是可选操作，如果原分组的日期已经按时间顺序排列，可以省略

内容的提问来源于stack exchange，提问作者Lala