如何高效对含category变量的DataFrame进行hourly resampling？

我懂你遇到的痛点——用resample('h').sum()的时候，分类（category）类型的列会被直接丢弃，因为sum聚合函数只处理数值型数据。针对你的需求，这里有两种高效的实现方式，完美匹配你的示例场景：

先看你的示例数据代码： #

import pandas as pd

date = ['2015-02-03 23:00:00','2015-02-03 23:30:00','2015-02-04 00:00:00','2015-02-04 00:30:00']
value = [33.24 , 31.71 , 34.39 , 34.49 ]
value2 = [2*x for x in value]
value3 = [3*x for x in value]
cat = ['a','a','b','b']
df = pd.DataFrame({'value':value,'value2':value2,'value3':value3,'index':date,'category':cat})
df.index = pd.to_datetime(df['index'],format='%Y-%m-%d %H:%M')
df.drop(['index'],axis=1,inplace=True)
print(df.head())

输出结果：

value  value2  value3 category
index                                               
2015-02-03 23:00:00  33.24   66.48   99.72        a
2015-02-03 23:30:00  31.71   63.42   95.13        a
2015-02-04 00:00:00  34.39   68.78  103.17        b
2015-02-04 00:30:00  34.49   68.98  103.47        b

你的预期结果：

value  value2  value3 category
index                                               
2015-02-03 23:00:00  64.95  129.90  194.85        a
2015-02-04 00:00:00  68.88  137.76  206.64        b

方法一：用groupby + Grouper（推荐，逻辑清晰） #

因为你的同一小时内的分类变量是一致的，我们可以把时间分组器和分类列一起作为groupby的键，聚合后再把分类列恢复为普通列：

# 按小时和分类分组，求和后重置分类列的索引层级
df_resampled = df.groupby([pd.Grouper(freq='h'), 'category']).sum().reset_index(level='category')

这样处理后，既完成了数值列的小时求和，又完整保留了分类列，完全符合你的预期。

方法二：用resample.agg()指定列级聚合规则 #

这种方式更灵活，你可以为不同列指定不同的聚合逻辑——数值列用sum，分类列用first（因为同一小时内分类相同，取第一个即可）或者mode（如果同一小时可能有不同分类，取出现次数最多的）：

# 定义各列的聚合规则
agg_rules = {
    'value': 'sum',
    'value2': 'sum',
    'value3': 'sum',
    'category': 'first'  # 或者用 lambda x: x.mode()[0] 处理可能的多分类情况
}

# 按小时重采样并应用聚合规则
df_resampled = df.resample('h').agg(agg_rules)

如果你的场景中同一小时内可能出现多个不同的分类值，想要取众数的话，可以把'category': 'first'改成'category': lambda x: x.mode()[0]，这样能确保取到出现次数最多的分类。

两种方法都能高效完成需求，你可以根据自己的实际场景选择——如果分类在时间段内完全一致，方法一更简洁；如果需要更精细的列控制，方法二更合适。

内容的提问来源于stack exchange，提问作者Peslier53