嘿，刚好碰到过类似的需求，咱们可以用Pandas的重采样工具结合简单的逻辑判断来实现，完全符合你要的「至少90%日度数据存在才输出求和结果」的要求。

核心思路 #

我们需要对每个月度的日度数据做两个关键判断：

1. 该月非缺失数据的占比是否≥90%
2. 如果满足条件，返回该月的求和值；否则返回NaN

下面给两种实操方法，你可以根据自己的习惯选择：

方法一：自定义聚合函数（紧凑版） #

直接在resample()后用apply()传入自定义函数，在函数里完成占比判断和求和：

import pandas as pd
import numpy as np

# 模拟你的日度数据（带少量NaN的1月、几乎全NaN的10月）
date_range = pd.date_range(start='2023-01-01', end='2023-10-31', freq='D')
data = np.random.randn(len(date_range))
# 1月加3个NaN（占比≈90.3%，刚好满足阈值）
data[:3] = np.nan
# 10月只留2个有效数据（占比≈6.5%，不满足阈值）
data[-30:] = np.nan
data[-15] = 4.2
data[-5] = 3.7

df = pd.DataFrame({'daily_value': data}, index=date_range)

# 自定义聚合函数
def sum_with_min_threshold(x):
    # 计算非缺失数据的占比
    valid_ratio = x.notna().mean()
    # 满足阈值则返回求和，否则返回NaN
    return x.sum() if valid_ratio >= 0.9 else np.nan

# 执行月度重采样
monthly_result = df['daily_value'].resample('M').apply(sum_with_min_threshold)

运行后，1月的结果会是有效求和值，10月的结果则为NaN，完全符合你的预期。

方法二：分步计算（直观版） #

如果觉得自定义函数不够直观，可以拆分步骤：先算月度求和、再算有效数据占比，最后用where()过滤结果：

# 1. 计算月度求和值
monthly_sum = df['daily_value'].resample('M').sum()
# 2. 计算每个月的有效数据数量
monthly_valid_count = df['daily_value'].resample('M').count()
# 3. 获取每个月的总天数（Pandas自动处理不同月份的天数差异）
monthly_total_days = monthly_sum.index.days_in_month
# 4. 计算有效数据占比
valid_ratio = monthly_valid_count / monthly_total_days
# 5. 过滤结果：占比≥90%保留求和，否则设为NaN
monthly_result_filtered = monthly_sum.where(valid_ratio >= 0.9)

这种方法每一步都清晰，方便你调试中间结果，比如查看每个月的有效数据占比是否正确。

注意点 #

• 用index.days_in_month能准确获取每个月的实际天数，避免手动计算出错（比如2月的28/29天、31天的大月等）
• 如果你的数据是多列，只需要把列名替换成对应的即可，或者对整个DataFrame应用聚合逻辑

内容的提问来源于stack exchange，提问作者EHB