如何将高频每日数据按周拆分，按月计算每周AM/PM平均值？

用Python的pandas库可以高效处理这类时间序列统计需求，以下是具体步骤和代码：

1. 导入工具并读取数据 #

先导入pandas，然后读取你的时间序列数据，注意指定日期格式为DD/MM/YYYY HH:MM：

import pandas as pd

# 读取数据（替换为你的文件路径或数据源）
df = pd.read_csv('your_data.csv', parse_dates=['Date'], dayfirst=True)
# 确保日期列是datetime类型（避免自动解析错误）
df['Date'] = pd.to_datetime(df['Date'], dayfirst=True)

2. 提取关键时间特征 #

为了实现按「每月-每周-时段」分组，需要从日期中提取三个核心特征：

# 生成「年-月」标识（用于按月份范围分组）
df['year_month'] = df['Date'].dt.to_period('M')

# 计算每月内的周序号（1-5周，1-7号为第1周，8-14号为第2周，以此类推）
df['month_week'] = df['Date'].dt.day.apply(lambda x: (x - 1) // 7 + 1)

# 标记时段：0-11点为AM，12-23点为PM
df['period'] = df['Date'].dt.hour.apply(lambda x: 'AM' if x < 12 else 'PM')

如果需要按自然ISO周（而非每月内的周段）统计，只需替换周数提取逻辑：

# 提取ISO标准的年和周数（跨月的周会归属到对应ISO年）
df['iso_year'] = df['Date'].dt.isocalendar().year
df['iso_week'] = df['Date'].dt.isocalendar().week

3. 分组计算平均值 #

根据提取的特征分组，计算每个组的Value平均值：

按每月内周段统计 #

# 按「年-月」「每月内周数」「时段」分组求均值
result = df.groupby(['year_month', 'month_week', 'period'])['Value'].mean().reset_index()

按自然ISO周统计 #

# 按「年-月」「ISO年」「ISO周」「时段」分组求均值
result = df.groupby(['year_month', 'iso_year', 'iso_week', 'period'])['Value'].mean().reset_index()

4. 可选：处理缺失值 #

如果数据存在缺失的Value，可以先清理再计算：

# 删除Value为空的行
df = df.dropna(subset=['Value'])

输出的result就是你需要的统计结果，包含每个月范围内每周AM/PM的平均值。

内容的提问来源于stack exchange，提问作者Lina Lathifah Nurazizah