Python如何计算指定行平均值 将月度气温数据聚合为年度数据

核心逻辑：从存储日期的dt列提取年份维度，按年分组计算12个月的气温平均值，将原月度粒度数据转换为年度粒度，即可大幅缩短可视化图表的展示长度。

具体实现步骤 #

• 依赖库导入与数据加载
  先导入数据处理、可视化需要的pandas和matplotlib库，读取本地气温数据集：

  import pandas as pd
  import matplotlib.pyplot as plt
  
  # 替换为你自己的数据集文件路径
  df = pd.read_csv("temperature_data.csv")
  

• 日期字段预处理
  将字符串格式的dt列转为pandas标准日期格式，从中提取年份生成新的聚合维度列：

  # 转换dt列为日期类型
  df["dt"] = pd.to_datetime(df["dt"])
  # 提取年份存入新列
  df["year"] = df["dt"].dt.year
  

• 年度维度聚合计算均值
  按年份列分组，对所有需要统计的气温字段计算全年平均值，直接得到年度粒度的数据集：

  # 方括号内替换为你数据集里实际的气温字段名，比如陆地平均温、海洋平均温等
  df_annual = df.groupby(by="year", as_index=False)[
      ["LandAverageTemperature", "LandAndOceanAverageTemperature"]
  ].mean()
  

• 结果校验与可视化
  先输出聚合后的数据前几行确认计算结果正确，再绘制年度粒度的气温趋势图即可：

  # 打印前5行校验聚合结果
  print(df_annual.head())
  
  # 绘制年度气温趋势图
  plt.figure(figsize=(10, 6))
  plt.plot(df_annual["year"], df_annual["LandAverageTemperature"], label="陆地年平均气温")
  plt.plot(df_annual["year"], df_annual["LandAndOceanAverageTemperature"], label="陆海综合年平均气温")
  plt.xlabel("年份")
  plt.ylabel("气温（℃）")
  plt.legend()
  plt.tight_layout()
  plt.show()
  

常见问题说明：如果原始月度数据存在气温值缺失的情况，建议在聚合前先做缺失值填充（比如用对应月份的历史均值填充），避免年度均值计算结果出现偏差。

如果需要调整聚合规则（比如计算年度最高/最低温），只需要把聚合函数从.mean()替换成.max()/.min()即可。

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