Pandas DataFrame按月份区间条件分组求和的聚合操作实现方法

最优方案：使用pd.cut分箱+分组求和 #

这是性能最高、可读性最好的实现方式，基于pandas原生向量化运算，数据量较大时也能高效运行，后续调整分组规则也非常方便。

完整代码 #

import pandas as pd

# 示例DataFrame
df = pd.DataFrame(data= {'month' : [2,7,4,8], 'sales' : [10,40,70,50]})

# 方式1：先新增分组列再聚合，方便后续核对
df['month_group'] = pd.cut(
    df['month'],
    bins=[0, 6, 12],  # 分箱区间默认左开右闭，(0,6]刚好对应1-6月
    labels=['1-6月', '7-12月']
)
result = df.groupby('month_group', observed=True)['sales'].sum()

# 方式2：不新增临时列，直接聚合
# result = df.groupby(
#     pd.cut(df['month'], bins=[0,6,12], labels=['1-6月', '7-12月']),
#     observed=True
# )['sales'].sum()

print(result)

输出结果 #

month_group
1-6月     80
7-12月    90
Name: sales, dtype: int64

方案说明 #

• pd.cut的区间规则刚好匹配需求，不需要额外调整开闭参数
• observed=True适配pandas 1.5+版本的分组规则，避免输出不存在的空分组，结果更干净
• 相比自定义apply、map映射的实现，该方案是向量化运算，性能高1~2个数量级，适合所有数据规模的场景

内容的提问来源于stack exchange，提问作者Minfetli