如何用CustomBusinessHour实现自定义三时段重采样时间序列DataFrame？

首先得明确：CustomBusinessHour并不适合你的场景——它是为工作日内的连续工作时段设计的，要求start和end必须是同一天的时间（且end > start），完全没法处理跨天的20:00到次日4:00这种时段。你遇到的偏移输出，是因为Pandas 0.25.3默认的工作日结束时间是17:00，导致12:00之后的8小时时段超出了工作日范围，只能跳到下一个工作日补时长，自然不符合你的需求。

下面给你一个直接有效的解决方案：通过给每个时间点分配时段分组键，再用groupby完成聚合（这其实就是重采样的本质）。

步骤1：定义时段分组函数 #

我们需要给每个时间点判断它属于哪个时段，同时处理跨天的情况（比如0:00-4:00属于前一天的20:00-次日4:00时段）：

import pandas as pd
import numpy as np

def get_period_start(dt):
    hour = dt.hour
    if 4 <= hour < 12:
        # 属于4:00-12:00时段，起始时间为当天4点
        return dt.replace(hour=4, minute=0, second=0, microsecond=0)
    elif 12 <= hour < 20:
        # 属于12:00-20:00时段，起始时间为当天12点
        return dt.replace(hour=12, minute=0, second=0, microsecond=0)
    else:
        # 属于20:00-次日4:00时段：
        # 如果是20点及以后，起始时间为当天20点；如果是0-4点，起始时间为前一天20点
        if hour >= 20:
            return dt.replace(hour=20, minute=0, second=0, microsecond=0)
        else:
            return (dt - pd.Timedelta(days=1)).replace(hour=20, minute=0, second=0, microsecond=0)

步骤2：给时间序列添加分组键并聚合 #

假设你的DataFrame是df，索引是DatetimeIndex，我们可以这样做：

# 先构造一个测试示例（你可以替换成自己的DataFrame）
idx = pd.date_range('2020-03-09', periods=48, freq='H')
df = pd.DataFrame({'value': np.arange(48)}, index=idx)

# 添加时段起始时间作为分组键
df['period_start'] = df.index.apply(get_period_start)

# 按时段分组聚合（这里用sum，你可以换成mean、max等需要的函数）
resampled_df = df.groupby('period_start')['value'].sum()

print(resampled_df)

输出示例 #

你会得到这样的结果，索引是每个时段的起始时间，值是对应时段的聚合结果：

period_start
2020-03-08 20:00:00      6
2020-03-09 04:00:00     60
2020-03-09 12:00:00    124
2020-03-09 20:00:00     86
2020-03-10 04:00:00    220
2020-03-10 12:00:00    284
2020-03-10 20:00:00    146

补充说明 #

如果不想用起始时间作为索引，也可以返回自定义的时段标签（比如"2020-03-09_4-12"），只需要修改分组函数的返回值即可，核心逻辑是一致的。

这个方法完全不受工作日限制，不管是周末还是节假日，都能准确按你指定的三个时段分组聚合，完美匹配你的需求。

内容的提问来源于stack exchange，提问作者Intern Kiet