如何从小时级系统负载时序中提取每年峰值出现当日的全量数据？

所有操作可以直接在Python环境中基于pandas完成，无额外依赖：

1. 时间字段预处理
   原始数据的date_time如果是字符串格式，先转换为pandas可识别的时间类型，为后续时间维度拆分做准备：

   import pandas as pd
   # 读取小时级原始数据，替换为自身的文件路径即可
   df_raw = pd.read_csv("hourly_system_load.csv", parse_dates=["date_time"])
   

2. 拆分辅助时间维度
   从完整时间戳中提取年份、纯日期两个字段，用于后续分组定位和数据匹配：

   df_raw["year"] = df_raw["date_time"].dt.year
   df_raw["date"] = df_raw["date_time"].dt.normalize() # 归一化为当日0点的时间格式，适配pandas的类型匹配规则
   

3. 定位每年的负载峰值日期
   按年份分组，定位每一年中system_load最高的那条记录，提取对应的日期值，得到覆盖2013-2020年全部峰值日的匹配清单：

   # 按年分组取每组内负载最大值的行索引
   peak_row_idx = df_raw.groupby("year")["system_load"].idxmax()
   # 提取对应行的年、日期字段，生成年份-峰值日的匹配字典
   peak_date_map = dict(zip(df_raw.loc[peak_row_idx, "year"], df_raw.loc[peak_row_idx, "date"]))
   

4. 筛选全量目标数据
   用生成的峰值日映射规则，从原始数据中匹配所有属于峰值日的小时记录，去掉辅助字段后即为需要的目标数据框：

   # 给每一行数据匹配对应年份的峰值日，筛选日期匹配的所有行
   df_target = df_raw[df_raw.apply(
       lambda x: x["date"] == peak_date_map[x["year"]], axis=1
   )][["date_time", "system_load"]].reset_index(drop=True)
   

补充说明：如果原始数据存在小时缺失的情况，可以在筛选出峰值日后，按每个峰值日生成完整的0-23点时间序列，和当日已有负载值做左连接，保证输出为完整24小时的无缺测序列。

内容的提问来源于stack exchange，提问作者swhh