如何用更简洁优雅的方式在Pandas中按年度透视时间序列？

当然有更清爽的实现方式！你的代码已经完成了需求，但Pandas的API设计里有更贴合其风格的方法，既能减少代码量，还能提升可读性和运行效率。

方法一：链式调用 + 透视（最推荐） #

利用reset_index、assign和pivot的组合，一步完成转换，逻辑清晰且代码紧凑：

import pandas as pd
import numpy as np

# 生成模拟数据（和你的代码一致）
daterange = pd.date_range(start='2000-01-01', end='2017-12-31', freq='10T')
wind_speed = pd.Series(data=np.random.rand(daterange.size), index=daterange)

# 核心转换代码
wind_speed_pivot = (wind_speed
                    .reset_index(name='speed')  # 将时间索引转为列，命名数值列为speed
                    .assign(
                        year=lambda x: x['index'].dt.year,  # 提取年份
                        # 计算年内时间偏移量（索引减去当年1月1日）
                        day_of_year=lambda x: x['index'] - pd.to_datetime(x['year'], format='%Y')
                    )
                    .pivot(index='day_of_year', columns='year', values='speed')  # 透视成目标格式
)

print(wind_speed_pivot)

方法二：GroupBy + Concat #

如果你更习惯用分组的思路，也可以用列表推导式处理每个分组的索引，再一次性合并：

# 分组后处理每个组的索引，再横向合并
year_groups = wind_speed.groupby(wind_speed.index.year)
wind_speed_pivot = pd.concat(
    [group.set_index(group.index - pd.Timestamp(f"{year}-01-01")) 
     for year, group in year_groups],
    axis=1,  # 横向合并为列
    keys=year_groups.groups.keys()  # 用年份作为列名
)

为什么这两种方法更好？ #

• 避免循环中的低效操作：你原来的循环里反复调用join，每次都会生成新的DataFrame，数据量大时会有明显的性能损耗；而上面的方法都是一次性完成合并，效率更高。
• 代码更简洁可读：链式调用和列表推导式把逻辑浓缩在几行里，一眼就能看懂转换流程，维护起来更方便。
• 更贴合Pandas的设计哲学：利用内置的pivot、concat等方法，而非手动循环处理，是Pandas推荐的操作方式。

这两种方法最终得到的结果和你原来的代码完全一致，但实现起来更优雅高效。

内容的提问来源于stack exchange，提问作者piiipmatz