pandas 0.19.2中按精准时间仓重采样分组时序事件的问题

我明白你遇到的困扰——用TimedeltaIndex做分组重采样时，每个分组的窗口起始偏移都不一样，没法得到统一的整点5分钟窗口。这是因为TimedeltaIndex的resample默认是基于分组内的第一个时间点来对齐窗口，而不是我们想要的自然整点对齐。下面给你两个在0.19.2版本里可行的解决方案：

方法1：将时间转换为Datetime索引（推荐） #

因为DatetimeIndex的resample默认会按自然时间的整点/整分对齐窗口，这正是我们需要的。步骤如下：

1. 把秒级时间转换为当天的datetime（选任意一个0点起始的日期都可以，不影响窗口对齐）
2. 设置datetime为索引，再按分组重采样

完整代码：

from numpy.random import randint, seed
import pandas as pd
seed(42) # 可复现性
samp_N = 1000
# 创建原始数据
df = pd.DataFrame({'time': randint(0,3*60*60, samp_N), 'group': randint(0, 15, samp_N)})

# 关键：把秒数转成datetime（origin设为任意0点日期即可）
df['datetime'] = pd.to_datetime(df['time'], unit='s', origin='2024-01-01')
df.set_index('datetime', inplace=True)

# 分组重采样5分钟窗口，统计事件数
result = df.groupby('group').resample('5T')['time'].count()

# 查看结果，窗口都是00:00:00、00:05:00这类整点起始的
print(result.head())

方法2：使用pd.TimeGrouper（0.19.2支持） #

你提到的TimeGrouper其实可以结合分组一起用，只要索引是datetime类型就行，这样能直接按分组+时间窗口聚合：

# 同样先转换为datetime索引（和方法1一样）
df['datetime'] = pd.to_datetime(df['time'], unit='s', origin='2024-01-01')
df.set_index('datetime', inplace=True)

# 同时按group和TimeGrouper分组统计
result = df.groupby(['group', pd.TimeGrouper('5Min')])['time'].count()

为什么原来的方法不行？ #

你之前用TimedeltaIndex的问题在于：pandas 0.19.2里还没有resample的origin参数（这个参数是后来版本才加的，用来指定窗口起始点），所以TimedeltaIndex的resample只能从分组内的第一个时间点开始计算窗口，导致每个分组的窗口偏移都不一样。而转换成DatetimeIndex后，resample会自动对齐到自然时间的整点，完美解决这个问题。

内容的提问来源于stack exchange，提问作者qbit