基于时长不等的逐分钟Numpy数组数据计算每日平均温度

这个场景太常见了——传感器随机启停导致每日数据量参差不齐，直接按1440条切片肯定踩坑。下面给你两种实用解法，按需选择：

Pandas的分组功能天生就是为这种场景设计的，代码简洁还不容易出错：

1. 先把numpy数组转换成Pandas的时间序列和DataFrame：

import pandas as pd
import numpy as np

# 假设你的dates和temp是numpy数组
dates = np.array(['2017-10-24 06:18:00.000', '2017-10-24 06:19:00.000', '2018-11-23 16:56:00.000'])
temp = np.array([1, 2, 5])

# 把日期字符串转成Pandas datetime类型
dt_series = pd.to_datetime(dates)
# 提取日期部分（忽略时分秒）作为分组键
df = pd.DataFrame({'temperature': temp, 'date': dt_series.dt.date})

2. 按日期分组计算平均温度：

# 分组求均值
daily_average = df.groupby('date')['temperature'].mean()

# 如果需要转回numpy数组，直接用.values
daily_average_np = daily_average.values
# 对应的日期可以用daily_average.index获取

注意：如果你的日期字符串格式比较特殊，转换时可以指定format参数避免报错，比如：
pd.to_datetime(dates, format='%Y-%m-%d %H:%M:%S.%f')

如果不想引入Pandas，纯Numpy也能搞定，核心是把日期截断到“天”精度：

1. 将日期字符串转换为numpy的datetime64[D]类型（按天截断）：

import numpy as np

dates = np.array(['2017-10-24 06:18:00.000', '2017-10-24 06:19:00.000', '2018-11-23 16:56:00.000'])
temp = np.array([1, 2, 5])

# 转换为天精度的datetime64，同一天的记录会被统一成同一个日期值
dates_daily = np.array(dates, dtype='datetime64[D]')

2. 获取所有唯一日期，遍历计算每日均值：

# 获取所有不重复的日期
unique_dates = np.unique(dates_daily)

daily_average = []
for day in unique_dates:
    # 筛选出当天的所有温度数据
    mask = (dates_daily == day)
    daily_temp_data = temp[mask]
    # 计算均值并加入列表
    daily_average.append(np.mean(daily_temp_data))

# 转成numpy数组
daily_average_np = np.array(daily_average)

两种方法都能完美处理单日数据量从8条到1440条的情况，不用手动计算天数或者索引，完全按日期自动分组。

内容的提问来源于stack exchange，提问作者Beaker