如何用Python对20年3小时间隔的时间序列DataFrame按日周年求均值？

嗨，作为刚接触时间序列的新手，你已经找对方向了——resample确实是处理这类频率转换的核心工具，不过你的代码里有几个小问题需要调整，咱们一步步来搞定：

第一步：先把时间列转成datetime类型并设置为索引 #

首先，确保你的Time_stamp列是pandas能识别的datetime格式，这是时间序列操作的前提。然后直接把它设为DataFrame的索引，不用手动提取日期，pandas会自动处理：

import pandas as pd

# 假设你的原始数据已经存在df里（比如通过pd.read_csv读取）
# 先转换时间列类型
df['Time_stamp'] = pd.to_datetime(df['Time_stamp'])
# 设置时间索引
df.set_index('Time_stamp', inplace=True)

第二步：用resample计算不同频率的均值 #

resample就像一个"时间分组器"，你指定频率，它会自动把数据按时间分组，然后计算聚合值。注意新版本pandas已经弃用了how参数，直接用.mean()或者.agg()来指定聚合函数就行：

1. 计算日均值（每天8个3小时样本的平均） #

# 生成独立的日均值DataFrame
daily_mean = df['X'].resample('D').mean().reset_index()
daily_mean.columns = ['Date', 'Daily_Average_X']  # 重命名列更直观

这里的'D'代表按日历日分组，.mean()会自动计算每个分组里X的平均值。

2. 计算周均值 #

# 'W'代表按周分组，默认每周日为周末，如果你想改周一为周末可以用'W-MON'
weekly_mean = df['X'].resample('W').mean().reset_index()
weekly_mean.columns = ['Week_End_Date', 'Weekly_Average_X']

3. 计算年均值 #

# 'Y'代表按年份分组，默认每年12月31日为年末
yearly_mean = df['X'].resample('Y').mean().reset_index()
yearly_mean.columns = ['Year_End_Date', 'Yearly_Average_X']

解释你之前代码的问题 #

• 变量名混乱：你混用了datasets和df，导致lambda里的引用错误；
• 手动提取日期没必要：pandas的时间索引可以直接被resample识别，不用额外生成date_minus_time列；
• resample的how参数已弃用：现在直接链式调用聚合方法（比如.mean()）更规范；
• 你用了df['count']，但你的数据里只有X列，这是笔误。

额外小提示 #

• 如果你的数据有缺失的3小时样本，可以在resample时用.mean(skipna=True)（默认就是True），或者用.fillna()先补全缺失值；
• 可以用resample的closed和label参数调整分组的边界（比如日均值是按00:00-23:59还是前一天的21:00到当天的18:00），不过默认设置对你的场景已经够用。

现在你就有三个独立的DataFrame，分别存储了日、周、年的X字段平均值啦！

内容的提问来源于stack exchange，提问作者Ankita