使用pandas将月度数据重采样为年度数据时如何实现从10月起始统计
问题根因
首先明确resample接口base参数的生效边界:
- 该参数仅对日粒度以下的均匀间隔重采样场景(比如按小时、按固定N天为间隔的分组)生效,作用是调整分组的起始时间偏移
- 针对月、季、年这类有自然锚定的长周期重采样,传入
base参数不会被解析,因此之前使用rule='Y', base=10的写法完全无法改变自然年(1月1日-12月31日)的默认分组边界,自然达不到从10月开始计算年度的需求。
正确实现方案
需求核心是划分「每年10月1日至次年9月30日」为一个完整统计周期,有两种可直接落地的实现方式:
方案1:使用锚定年度频率规则(最简洁,推荐)
pandas内置了可自定义锚定结束月份的年度重采样规则,对于需要以10月1日为起始的年度,对应的规则为A-SEP:
- 该规则的含义是将年度的结束锚定在9月,自动划分出的每个连续区间,恰好就是每年10月1日零点到次年9月30日24点的范围,完全匹配统计周期要求。
实现代码:
# 确保时间索引已转换为datetime格式 df.index = pd.to_datetime(df.index) df = ( df.resample(rule='A-SEP') .sum() .reset_index() )
如果需要把聚合结果的时间标签从默认的区间结束日(9月30日)调整为对应财年的起始日(10月1日),可以调整label和closed参数匹配边界逻辑:
df = ( df.resample( rule='A-SEP', closed='right', # 保持闭端在9月30日,完整包含该日数据 label='left' # 标签取区间左端点,即对应财年的起始日10月1日 ).sum() .reset_index() )
方案2:手动构造财年分组键(灵活度更高)
如果对分组规则有更定制化的调整需求,可以先逐行计算对应数据所属的财年起始年份,再按分组聚合,完全可控:
- 当数据所在月份≥10时,所属财年的起始年就是当前公历年;
- 当数据所在月份<10时,所属财年的起始年就是当前公历年减1(比如2024年9月的数据,所属财年为2023年10月启动的2023-2024财年)。
实现代码:
# 确保时间索引已转换为datetime格式 df.index = pd.to_datetime(df.index) # 逐行计算对应财年的分组键 fiscal_year_key = df.index.year.where( cond=df.index.month >= 10, other=df.index.year - 1 ) # 按计算出的财年键聚合 df = df.groupby(fiscal_year_key).sum().reset_index()
这种方式的优势是可以适配非通用的财年划分规则(比如调整财年起始月为11月、甚至自定义的年中起始节点),不需要依赖内置频率的固定边界。
补充说明:如果重采样时需要严格统计边界(比如明确排除右端点9月30日的数据),可以调整
closed='left'参数,保证区间范围和实际业务需求完全对齐。
内容的提问来源于stack exchange,提问作者hey_arnold
相关产品推荐
相关产品推荐

