Pandas：分组DataFrame中查找最值对应的原始时间戳

嘿，这个需求用Pandas的分组聚合就能轻松实现，核心是利用idxmax()/idxmin()找到组内最值的位置，再提取对应的时间戳就行。下面给你两种实用的方案，适合不同场景：

方案一：用apply处理分组（直观易读） #

如果你的数据量不是特别大，这种方式最容易理解，每个分组的逻辑一目了然：

import pandas as pd

# 第一步：确保timestamp是datetime类型（如果还不是的话）
df['timestamp'] = pd.to_datetime(df['timestamp'])

# 按日期分组，计算每日最值及对应时间戳
daily_stats = df.groupby(df['timestamp'].dt.date).apply(
    lambda group: pd.Series({
        'Tmax': group['T-C'].max(),
        'Tmax_timestamp': group['timestamp'].iloc[group['T-C'].idxmax()],
        'Tmin': group['T-C'].min(),
        'Tmin_timestamp': group['timestamp'].iloc[group['T-C'].idxmin()]
    })
)

说明： #

• groupby(df['timestamp'].dt.date)：把数据按日期（忽略时分秒）分组
• 每个group就是当天的子DataFrame，用group['T-C'].idxmax()拿到组内温度最高值的位置索引，再用iloc取出对应的时间戳
• 如果某天有多个相同的最值（比如你样本里1月2日00:00和01:00都是1.1℃），idxmax()会返回第一个出现的位置，符合常规需求

方案二：用agg聚合（高效适合大数据） #

如果你的数据量很大（数千条甚至更多），agg的效率比apply更高，推荐用这种方式：

import pandas as pd

# 第一步：转换时间格式并新增日期列
df['timestamp'] = pd.to_datetime(df['timestamp'])
df['date'] = df['timestamp'].dt.date

# 聚合计算
daily_stats = df.groupby('date').agg(
    Tmax=('T-C', 'max'),
    Tmin=('T-C', 'min'),
    Tmax_timestamp=('timestamp', lambda x: x[df.loc[x.index, 'T-C'] == x.max()].iloc[0]),
    Tmin_timestamp=('timestamp', lambda x: x[df.loc[x.index, 'T-C'] == x.min()].iloc[0])
)

说明： #

• 新增date列是为了分组更直观，和直接用dt.date分组效果一致
• 聚合函数里的lambda逻辑：先筛选出组内温度等于最值的行，再取第一个对应的时间戳

结果示例 #

针对你提供的样本数据，最终得到的daily_stats会是这样的结构：

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