Pandas技巧：如何按月份分组汇总Datetime索引的DataFrame数据？

问题描述 #

我有一个以日期时间（Datetime）为行索引的小型DataFrame，希望将每周的数据汇总为月度数据，但不知如何按索引分组，数据示例如下：

A       B       C       D
Date                                      
2023-01-08  0.0000  0.7075  0.0000   0.000
2023-01-15  0.0000  1.0000  0.0000   0.000
2023-01-22  0.0000  1.0000  0.0000   0.000
2023-01-29  0.0325  0.9300  0.0000   0.025
2023-02-05  0.0250  0.9750  0.0000   0.000
2023-02-12  0.0050  0.5450  0.0000   0.000
2023-02-19  0.0000  0.1800  0.0000   0.000
2023-02-26  0.0000  0.0000  0.0000   0.000
2023-03-05  0.0000  0.0000  0.0000   0.000
2023-03-12  0.0000  0.0000  0.0000   0.000
2023-03-19  0.0000  0.0000  0.0000   0.000
2023-03-26  0.0000  0.4375  0.1875   0.000

解决方法 #

Pandas提供了两种简洁的方式实现时间序列的月度聚合，前提是你的DataFrame行索引已经是datetime类型（如果不是，先执行df.index = pd.to_datetime(df.index)转换）。

方法1：使用resample方法

resample是Pandas专门为时间序列设计的聚合工具，语法直观：

# 按月度汇总，求和（可替换为mean/max/min等聚合函数）
monthly_df = df.resample('M').sum()

• 参数'M'表示按日历月分组，结果的索引会是每个月的最后一天（如2023-01-31）。
• 替换sum()为你需要的聚合逻辑，比如求月度平均值用mean()，求最大值用max()。

方法2：使用groupby + Grouper

如果需要更灵活的分组逻辑（比如结合其他字段分组），可以用pd.Grouper：

import pandas as pd

# 按月度索引分组并求和
monthly_df = df.groupby(pd.Grouper(freq='M')).sum()

• pd.Grouper(freq='M')指定按月度频率分组，效果和resample('M')一致，适合复杂场景。

示例输出 #

对提供的示例数据执行resample('M').sum()后，结果如下：

A       B       C      D
Date                                    
2023-01-31  0.0325  3.6375  0.0000  0.025
2023-02-28  0.0300  1.7000  0.0000  0.000
2023-03-31  0.0000  0.4375  0.1875  0.000

内容的提问来源于stack exchange，提问作者Jim Rutter