Python按日期时间分割DataFrame时间序列列的实现方法

你写的切片代码触发SyntaxError的直接原因是切片区间内的时间值没有加字符串引号，Python会把2022-04-01 11:52:39+00:00识别为算术表达式，碰到04这类带前导零的数字就会抛出对应错误，和pandas的时间序列逻辑无关。

pandas的DatetimeIndex原生支持字符串形式的时间范围切片，只要给时间值加上引号、和原索引的时区格式匹配即可，正确写法如下：

# 时间字符串两端加单/双引号即可
TS_1 = DF['Column_Name']['2022-04-01 11:52:39+00:00':'2022-04-01 23:57:39+00:00']

如果你的索引已经是pandas识别的标准datetime类型，不需要写完整时间戳，直接传日期字符串就能取对应全天的数据，比如DF['Column_Name']['2022-04-01']就可以拿到4月1日的所有记录。

批量拆分前先确认索引类型，如果当前索引是字符串格式，先跑这行代码转成标准时间索引：

import pandas as pd
# 转换为匹配你现有格式的带UTC时区的时间索引
DF.index = pd.to_datetime(DF.index, utc=True)

两种常用实现可以按需选择，支持任意拆分粒度，不需要手动计算每段的起止时间。

• 自定义拆分间隔只需要修改freq参数即可：D代表天、W代表周、H代表小时，比如3D就是3天一段、12H就是12小时一段。

方案1：字典存储独立序列（推荐） #

每个分段是独立的Series对象，用分段标识作为key，不会因为不同分段的时间点不一致产生冗余NaN值，灵活度最高：

# 按日拆分示例
daily_series = {}
for date, segment_df in DF.groupby(DF.index.date):
    daily_series[date] = segment_df['Column_Name'].copy()

# 按周拆分示例（每周一为周起始点）
weekly_series = {}
for week_mark, segment_df in DF.groupby(pd.Grouper(freq='W-MON')):
    if len(segment_df) == 0:
        continue
    weekly_series[week_mark.date()] = segment_df['Column_Name'].copy()

# 调用方法：直接按key取对应分段即可
# ts_0401 = daily_series[pd.to_datetime('2022-04-01').date()]

方案2：拆分结果合并为新DataFrame #

每个时间分段对应新表的一列，适合需要横向对比不同分段数据的场景，会自动按索引对齐不同分段的时间点，缺失位置填充NaN：

# 按日拆分示例：按日内时分秒对齐不同日期的序列
daily_split_df = pd.DataFrame()
for date, segment_df in DF.groupby(DF.index.date):
    seg = segment_df['Column_Name'].copy()
    # 索引替换为当日的时分秒，作为跨日期对齐的依据
    seg.index = seg.index.time
    daily_split_df[str(date)] = seg

# 按周拆分示例：按周内时间偏移对齐不同周的序列
weekly_split_df = pd.DataFrame()
for week_mark, segment_df in DF.groupby(pd.Grouper(freq='W-MON')):
    if len(segment_df) == 0:
        continue
    seg = segment_df['Column_Name'].copy()
    # 索引替换为距本周第一个数据点的时间差，作为跨周对齐的依据
    seg.index = seg.index - seg.index.min()
    weekly_split_df[f'week_{week_mark.date()}'] = seg

注意：如果拆分后需要做时序统计、建模类操作，优先选方案1，独立序列不会被对齐操作引入的NaN干扰。

内容的提问来源于stack exchange，提问作者erkvos