Python中如何生成含0计数值的纯时间维度频次DataFrame

不需要手动遍历全部HH:MM:SS组合，直接用pandas原生的时间序列生成+重索引逻辑就能实现，全程向量化运算，性能极高，没有额外实现成本。

核心思路 #

value_counts() 只会返回数据中实际出现过的时间项的计数，你只需要先生成全天所有秒级时间点的完整列表作为基准索引，再把统计结果和这个索引对齐，没匹配到的时间点自动填充计数0即可。

完整代码示例 #

import pandas as pd

# --------------- 以下为模拟样例数据 ---------------
df = pd.DataFrame({
    'TransactionID': [1, 2, 3],
    'DateTime': pd.to_datetime([
        '2024-01-01 04:23:32',
        '2024-01-02 09:12:45',
        '2024-01-03 18:05:11'
    ]),
    'Date': ['2024-01-01', '2024-01-02', '2024-01-03'],
    'Time': ['04:23:32', '09:12:45', '18:05:11']
})
# --------------- 模拟数据结束 ---------------

# 1. 先统计现有数据中各时间点的出现频次
exist_count = df['Time'].value_counts()

# 2. 生成全天00:00:00到23:59:59所有秒级时间点，格式统一为HH:MM:SS
# pd.date_range是pandas原生C实现的函数，生成86400个时间点耗时不到10ms
full_time_list = pd.date_range(start="00:00:00", end="23:59:59", freq="S").strftime("%H:%M:%S")

# 3. 对齐索引，缺失的时间点计数填0，得到最终结果
result = pd.DataFrame({
    "Time": full_time_list,
    "Count": exist_count.reindex(full_time_list, fill_value=0).values
})

结果验证 #

执行以下代码筛选指定时间点：

result[result['Time'].between('04:23:31', '04:23:33')]

输出完全符合预期：

注意事项 #

• 如果你的原始数据里Time列不是字符串格式，是datetime提取的时间类型，先统一转成%H:%M:%S格式的字符串再做统计，保证和全量时间列表的格式一致，避免对齐失败。
• 这个方案是通用的：所有需要补全0计数的分类/时间频次统计场景，都可以用「生成全量类别列表+reindex填0」的逻辑实现，不需要写循环逐一枚举判断。
• 整体运算在普通办公本上耗时不到0.1秒，远优于手动遍历的实现方案。

内容的提问来源于stack exchange，提问作者Shaun R