Pandas如何按日/月/年时间频率筛选DataFrame的datetime日期列

前置处理：标准化日期格式 #

原始数据日期列为dd/mm/yyyy格式字符串，需先转换为pandas原生datetime类型才能进行时间维度运算，假设日期列名为date、数值列名为value，转换代码如下：

import pandas as pd
df['date'] = pd.to_datetime(df['date'], format='%d/%m/%Y')

各频率筛选实现 #

日度数据 #

原始数据本身就是2000-01-01至2010-01-01的连续日度记录，无需额外筛选，直接使用原DataFrame即可。可通过如下代码做数据完整性校验：

daily_df = df.copy()
print(f"日度数据范围：{daily_df['date'].min()} ~ {daily_df['date'].max()}，总计{len(daily_df)}条记录")

月度数据（保留每月首日记录） #

因原始数据为连续日度数据，直接筛选日期为当月1日的记录即可，日期本身已符合“当月1日”的要求，无需额外修改：

# 筛选每月首日记录
monthly_df = df[df['date'].dt.day == 1].copy()

如果需要强制统一日期格式为当月首日（适配非连续数据场景），可追加如下转换代码：

monthly_df['date'] = monthly_df['date'].astype('datetime64[M]')

年度数据（保留每年首日记录） #

同理，筛选日期为1月1日的记录即可，日期本身已符合“当年1月1日”的要求：

# 筛选每年1月1日记录
yearly_df = df[(df['date'].dt.month == 1) & (df['date'].dt.day == 1)].copy()

如果需要强制统一日期格式为当年首日（适配非连续数据场景），可追加如下转换代码：

yearly_df['date'] = yearly_df['date'].astype('datetime64[Y]')

兼容方案：如果原始日度数据存在缺失，无法保证每月/每年首日存在对应记录，可使用重采样方法自动对齐日期到周期起点，取每个周期内第一条有效记录：

# 月度重采样，日期自动对齐到当月首日
monthly_df = df.resample('MS', on='date').first().reset_index()
# 年度重采样，日期自动对齐到当年1月1日
yearly_df = df.resample('YS', on='date').first().reset_index()

上述代码会自动补全所有缺失的时间周期，若不需要空周期可追加.dropna(subset=['value'])过滤无数据行。

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