Pandas是否提供不依赖datetime索引的resample方法？如何对无时间索引的Series按固定块应用外部函数实现降采样？

数据老陈

2026-4-30

解决Pandas Series固定大小分块应用自定义函数的问题

不用依赖datetime索引也能轻松实现你的需求，我平时处理这类固定大小分块的需求时，最常用下面这些高效且清晰的方案：

方案一：`groupby` + 整数除法（最推荐）

这是处理固定大小分块最直接的方式，核心思路是通过整数除法生成分组标签，把每N个元素归为一组：

import pandas as pd
import numpy as np

# 你的自定义函数（示例为求和）
def myFunction(arr):
    return arr.sum()

series = pd.Series([1,1,1,1,1,1,1,1,1])

# 生成分组标签：每3个元素一组
group_labels = np.arange(len(series)) // 3
# 分组并应用函数（转成ndarray传入自定义函数）
result = series.groupby(group_labels).apply(lambda x: myFunction(x.values))

# 验证结果：result等于pd.Series([3,3,3])
print(result)

说明：

np.arange(len(series))生成和Series长度一致的连续整数数组，// 3做整数除法后，会得到[0,0,0,1,1,1,2,2,2]这样的分组标签，完美实现每3个元素一组。
如果你的Series长度不是3的倍数，最后一组会自动包含剩余的元素（比如长度为10时，最后一组只有1个元素）。
因为groupby.apply默认传入的是分组后的Series，所以用x.values把它转换成ndarray传给你的自定义函数，刚好匹配你的需求。

方案二：`pd.cut`生成分组标签

如果你想要更灵活的分组边界控制，可以用pd.cut来生成标签，原理和方案一类似：

bins = np.arange(0, len(series)+1, 3)
group_labels = pd.cut(np.arange(len(series)), bins=bins, labels=False, include_lowest=True)
result = series.groupby(group_labels).apply(lambda x: myFunction(x.values))

这个方法适合需要调整分组起始/结束位置的场景，但对于固定步长的分块，方案一更简洁高效。