基于日期列与其他列统计Pandas DataFrame中指定Series值的数量

安全阿岳

2026-5-21

嘿，我来帮你搞定这个统计需求！结合你的DataFrame结构，核心就是利用Pandas的分组（groupby）和日期处理能力，来实现基于timestamp和另一列的指定值统计。下面分步骤给你演示几种常见的场景：

第一步：先确保timestamp是日期类型

首先要把timestamp列转换成Pandas的日期时间格式，不然没法按日期分组：

import pandas as pd

# 转换日期列
df['timestamp'] = pd.to_datetime(df['timestamp'])

场景1：按时间周期 + 另一列（比如second_val）统计指定值的数量

比如你想按月份和second_val分组，统计values列中39.0出现的次数：

# 按月份和second_val分组，统计39.0的数量
monthly_39_count = df.groupby(
    [pd.Grouper(key='timestamp', freq='M'), 'second_val']
)['values'].apply(lambda x: (x == 39.0).sum()).reset_index(name='count_of_39')

这里pd.Grouper(freq='M')表示按自然月分组，你可以换成'D'（天）、'W'（周）、'Y'（年）来调整时间粒度。

场景2：按客户ID（cus_id） + 日期分组统计指定值

如果要统计每个客户每天values中0.0出现的次数：

daily_cus_0_count = df.groupby(
    ['cus_id', pd.Grouper(key='timestamp', freq='D')]
)['values'].apply(lambda x: (x == 0.0).sum()).reset_index(name='count_of_0')

场景3：筛选时间范围 + 指定列值，统计多值频次

比如你想统计2010年所有second_val=1的数据中，values各值的出现次数：

# 先筛选符合条件的数据
filtered_data = df[(df['timestamp'].dt.year == 2010) & (df['second_val'] == 1)]
# 统计values的频次分布
value_freq = filtered_data['values'].value_counts().reset_index(name='count')