如何用Python Pandas按天分组二维数组并计算每日和？

针对你的需求——按天分组求和每个时间点对应的(3,4)二维数组，同时保持结果的二维数组结构，我整理了几种可行方案，其中利用Pandas向量化聚合的方法效率最高，尤其适合大数据量场景：

方案1：直接GroupBy + Apply（简单但效率一般） #

这是最直观的写法，直接按日期分组后对每组内的数组求和：

import numpy as np
import pandas as pd
from datetime import datetime

# 创建模拟数据
data = np.ones((72, 3, 4))
t = pd.date_range(datetime(2008,7,1), freq='1H', periods=72)
s = pd.Series([data[i] for i in range(data.shape[0])], index=t)

# 按日期分组求和
daily_sum = s.groupby(s.index.date).apply(lambda group: np.sum(group.values, axis=0))

# 查看结果
print(daily_sum)

这种方法逻辑清晰，但apply会逐组执行Python函数，当数据量很大（比如数万小时的时序数据）时，效率会明显下降。

方案2：展平数组 + 向量化聚合（最优方案） #

这个方法通过将二维数组展平为一维，利用Pandas内置的resample.sum()向量化操作完成求和，最后再重塑回原二维结构，效率比方案1高得多：

# 1. 将每个(3,4)数组展平为12个元素的一维数组，生成二维DataFrame
flat_data = np.array([arr.flatten() for arr in s.values])
df_flat = pd.DataFrame(flat_data, index=t)

# 2. 按天求和（Pandas内置的resample.sum是向量化操作，底层用C实现）
daily_sum_flat = df_flat.resample('D').sum()

# 3. 将每行的12个元素重塑回(3,4)的二维数组
daily_sum = daily_sum_flat.apply(lambda row: row.values.reshape(3,4), axis=1)

# 查看结果
print(daily_sum)

核心优势在于resample.sum()是向量化聚合，避免了Python层面的循环，处理大规模数据时速度能提升数倍甚至数十倍。而且这个方法适配任意维度的数组，只需要调整flatten()和reshape()的参数即可。

方案3：纯NumPy分组求和（适合NumPy重度使用者） #

如果你更习惯用NumPy操作，也可以直接处理三维数组：

# 将Series的values堆叠成三维数组
arr = np.stack(s.values)  # shape: (72, 3, 4)

# 获取日期分组标签
dates = t.date
unique_dates = np.unique(dates)

# 按日期分组求和
daily_sum = pd.Series([np.sum(arr[dates == d], axis=0) for d in unique_dates], index=unique_dates)

这个方法的效率介于方案1和方案2之间，适合已经熟悉NumPy布尔索引的场景，但依然存在Python循环遍历唯一日期的开销。

结果验证 #

三种方案最终得到的结果一致：每个日期对应一个(3,4)的数组，所有元素值为24（因为每天24小时，每个小时的数组元素都是1，24个1求和得24）。

内容的提问来源于stack exchange，提问作者Manuel