如何使用resample函数生成每日10:00至次日9:00的23小时平均数据

针对你的需求，这里提供两种无需删除数据的代码实现，核心是通过时间偏移或自定义分组来对齐你需要的23小时窗口（每日10:00至次日9:00）：

前提准备 #

确保你的时间序列数据索引是datetime64类型：

import pandas as pd

# 转换索引为datetime（如果还未转换）
Data_s.index = pd.to_datetime(Data_s.index)

方法一：时间偏移+按天重采样 #

通过偏移时间将目标窗口对齐到自然日，再重采样计算均值：

# 将所有时间向后偏移10小时，原10:00变为00:00，次日9:00变为前一日23:00
offset_data = Data_s.tshift(-10, freq='H')

# 按自然日重采样计算均值，此时每个日均值对应原数据的10:00-次日9:00窗口
daily_avg = offset_data.resample('D').mean()

# 将结果索引偏移回10小时，让索引对应窗口的起始时间（如2022-03-11 10:00）
daily_avg.index = daily_avg.index.shift(10, freq='H')

# 过滤超出原数据范围的无效窗口（比如最后一个窗口若超出4月11日则剔除）
daily_avg = daily_avg.loc[daily_avg.index <= Data_s.index.max() - pd.Timedelta(hours=23)]

方法二：自定义分组键 #

通过调整时间生成分组键，直接按目标窗口分组计算：

# 生成分组键：每个时间减去10小时后取日期，这样10:00-次日9:00的时间会被分到同一日期组
group_key = (Data_s.index - pd.Timedelta(hours=10)).date

# 按分组键计算均值
daily_avg = Data_s.groupby(group_key).mean()

# 将分组键转换为窗口起始时间（日期+10小时）
daily_avg.index = pd.to_datetime(daily_avg.index) + pd.Timedelta(hours=10)

验证结果 #

可以手动计算某一窗口的均值来验证代码正确性：

# 验证2022-03-11 10:00至2022-03-12 09:00的均值
mask = (Data_s.index >= '2022-03-11 10:00') & (Data_s.index < '2022-03-12 09:00')
manual_avg = Data_s.loc[mask].mean()

print("代码计算结果：", daily_avg.loc['2022-03-11 10:00'])
print("手动计算结果：", manual_avg)

内容的提问来源于stack exchange，提问作者ARMIR