Python实现考虑闰年的时间序列DataFrame按年份分列转换

适用场景 #

针对已采集的2013-2020年逐小时系统负荷DataFrame（含date_time、system_load两列，共70128条记录），输出按年内相对采样位置对齐的年度宽表，自动适配闰年/平年的序列长度差，平年缺失位置自动填充NaN。

实现步骤（基于pandas） #

代码依赖 #

• 确保pandas库已安装
• 原始DataFrame命名为df

完整可运行代码 #

import pandas as pd

# 解析日期时间列（若已为datetime类型可跳过）
df['date_time'] = pd.to_datetime(df['date_time'])

# 提取核心映射字段
df['year'] = df['date_time'].dt.year
# 计算当年内的相对小时位置：从当年1月1日0点起累计计数，索引从0开始
df['relative_hour'] = (df['date_time'].dt.dayofyear - 1) * 24 + df['date_time'].dt.hour

# 透视为目标宽表结构
wide_table = df.pivot(
    index='relative_hour',
    columns='year',
    values='system_load'
)

# 按要求重命名列
wide_table.columns = [f'Year{col}' for col in wide_table.columns]

# 重置索引，移除relative_hour索引列
wide_table = wide_table.reset_index(drop=True)

自动适配逻辑 #

• 闰年差异适配：relative_hour完全基于自然时间偏移计算，闰年多出的2月29日采样点会自动落在对应累计位置，平年无对应日期，匹配时自动填充NaN，无需手动做长度对齐。
• 行索引自动对齐：最终宽表总行数为区间内最长年度的采样长度（即闰年的8784行），平年序列因长度不足8784，超出自身有效长度的位置全部填充NaN。
• 结果校验：生成的宽表共8列（Year2013至Year2020），其中平年列非空值为8760个，闰年（2016、2020）列非空值为8784个，总非空值和原始记录数完全一致。

内容的提问来源于stack exchange，提问作者swhh