如何将含小时DatetimeIndex的Pandas Series重采样至月度并考虑偏移？

需要把以小时为粒度的时间序列，按日起始为06:00的规则聚合为月度求和数据，即每个月度周期从当月1日06:00开始，到下月1日06:00结束。

示例 #

构造跨度约1.5个月的小时级序列：

import pandas as pd
hours = pd.Series(1, pd.date_range('2020-02-23 06:00', freq='H', periods=1008))

期望得到的月度求和结果：

2020-02-01 06:00:00    168
2020-03-01 06:00:00    744
2020-04-01 06:00:00     96
freq: MS, dtype: int64

已尝试的方法 #

• 按天重采样时，offset参数可正常生效，得到正确的日度结果：

  days = hours.resample('D', offset=pd.Timedelta('06:00:00')).sum()
  

• 直接按月度（MS）重采样时，结果数值错误且索引缺失时间分量：

  months = hours.resample('MS', offset=pd.Timedelta('06:00:00')).sum()
  

• 先按天重采样再聚合到月度，数值正确但索引仍缺失时间分量：

  days = hours.resample('D', offset=pd.Timedelta('06:00:00')).sum()
  months = days.resample('MS', offset=pd.Timedelta('06:00:00')).sum()
  

• 临时解决方案：手动给索引添加时间偏移并重置频率，现寻求更优实现：

  months.index += pd.Timedelta('06:00:00')
  months.index.freq = 'MS'
  

更优解决方案 #

方法1：时间偏移转换法 #

通过将时间索引临时偏移，把自定义日起始（06:00）转为标准午夜，再按常规月度重采样，最后还原索引偏移：

# 将原始时间索引向后偏移6小时，使06:00变为午夜
shifted_hours = hours.tshift(-6, freq='H')
# 按标准月度初（MS）重采样求和
months = shifted_hours.resample('MS').sum()
# 将索引偏移回原自定义起始时间，并保留月度频率
months.index += pd.Timedelta('06:00:00')
months.index.freq = 'MS'

该方法逻辑清晰，避免了多次重采样的冗余操作，结果完全符合预期。

方法2：使用带偏移的月度锚点频率 #

直接使用pd.offsets.MonthBegin指定月度起始的时间偏移，无需手动调整索引：

months = hours.resample(pd.offsets.MonthBegin(offset='6H')).sum()

此方法利用pandas内置的偏移量对象，直接定义自定义的月度周期（每月1日06:00起始），代码更简洁，结果与期望一致。

内容的提问来源于stack exchange，提问作者ElRudi