基于日期条件拆分DataFrame并写入两文件的实现咨询（Python3.6/Pandas0.22）

针对你用Python3.6 + Pandas0.22处理降雪平均值数据、分2016/2017年导出的需求，给你几个靠谱的实现思路：

核心思路：按年份筛选数据 #

首先得确保你的DataFrame里有能识别年份的字段（比如日期列，或者单独的year列），然后按年份拆分后分别导出。

方法1：直接按年份布尔索引筛选 #

如果有单独的year列：

import pandas as pd

# 假设你的DataFrame叫snow_df，包含year、month、location、avg_snow列
# 筛选2016年数据并导出
snow_2016 = snow_df[snow_df['year'] == 2016]
snow_2016.to_csv('2016_snow_avg.csv', index=False)

# 筛选2017年数据并导出
snow_2017 = snow_df[snow_df['year'] == 2017]
snow_2017.to_csv('2017_snow_avg.csv', index=False)

如果只有日期列（比如date列是datetime类型）：

# 先提取年份到新列（Pandas0.22支持dt.year）
snow_df['year'] = snow_df['date'].dt.year

# 之后同上筛选导出即可

方法2：用groupby批量处理（适合扩展到更多年份） #

如果以后可能有更多年份，用groupby循环更高效：

# 按year分组，遍历每个分组
for year, group in snow_df.groupby('year'):
    # 只处理2016和2017年
    if year in [2016, 2017]:
        group.to_csv(f'{year}_snow_avg.csv', index=False)

注意：Python3.6已经支持f-string，直接用它拼接文件名很方便

Pandas0.22相关文档指引 #

• 布尔索引筛选：对应文档里的Boolean Indexing章节，重点看基于列值的筛选逻辑
• dt属性提取日期部分：对应Datetime Properties章节，dt.year是提取年份的常用方法
• groupby分组：对应GroupBy Object章节，了解遍历分组的方式
• to_csv方法：重点看index参数（设为False可以避免导出多余的索引列）

代码验证小技巧 #

写完代码后可以先打印筛选后的DataFrame信息确认：

print("2016年数据行数：", len(snow_2016))
print("2017年数据行数：", len(snow_2017))
# 或者查看前几行
print(snow_2016.head())

确保数据没有漏选或多选，再执行导出操作。

内容的提问来源于stack exchange，提问作者James Pi