如何在Pandas中按季节与工作日进行多时段分组聚合？

你可以通过以下步骤实现按季节+工作日分组计算平均值：

1. 确保索引为时间类型 #

如果你的DataFrame索引还不是DatetimeIndex，先完成转换：

df.index = pd.to_datetime(df.index)

2. 添加季节标签 #

以北半球常规季节划分为例（12-2月冬季，3-5月春季，6-8月夏季，9-11月秋季），通过月份映射生成季节列：

# 定义月份到季节的映射关系
season_map = {
    1: '冬季', 2: '冬季',
    3: '春季', 4: '春季', 5: '春季',
    6: '夏季', 7: '夏季', 8: '夏季',
    9: '秋季', 10: '秋季', 11: '秋季',
    12: '冬季'
}

# 给DataFrame新增季节列
df['季节'] = df.index.month.map(season_map)

如果是南半球数据，只需调整映射关系（比如6-8月为冬季、12-2月为夏季）即可。

3. 按季节+工作日分组求平均 #

有两种分组方式可选，按需使用：

方式一：用数字标识工作日（0=周一，6=周日）

df_season_weekday = df.groupby(['季节', df.index.weekday]).mean()

方式二：用直观的工作日名称

# 新增中文工作日名称列（需确保环境支持中文 locale）
df['工作日'] = df.index.day_name(locale='zh_CN.UTF-8')
# 若用英文名称：df['工作日'] = df.index.day_name()

# 分组计算平均值
df_season_weekday = df.groupby(['季节', '工作日']).mean()

结果说明 #

最终的df_season_weekday是多级索引DataFrame，外层为季节、内层为工作日，对应值即为该季节对应工作日的平均值。

内容的提问来源于stack exchange，提问作者NeStack