按日期索引与分组对Pandas DataFrame求和的优雅实现方案

这事儿简单！我经常处理这种带重复日期索引的销售数据聚合需求，给你两种直观又优雅的实现方式，按需选择就行：

方法一：用groupby直接聚合（最灵活） #

这是Pandas里最常规的分组聚合方式，既能保留层级索引，也能转成普通的平表结构：

步骤1：先构造示例数据（模拟你的场景） #

import pandas as pd

data = {
    'quantity': [1, 10, 5, 2, 3],
    'group': [100, 102, 102, 100, 102]
}
# 把日期转成标准DatetimeIndex
dates = pd.to_datetime(['2018-03-22', '2018-03-24', '2018-03-25', '2018-03-25', '2018-03-25'])
df = pd.DataFrame(data, index=dates)

步骤2：核心聚合代码 #

如果你想要日期+分组作为层级索引的紧凑结果：

# 按日期索引和group字段分组，对quantity求和
summed_df = df.groupby([df.index, 'group'])['quantity'].sum()

输出结果是带MultiIndex的Series，结构清晰：

date        group
2018-03-22  100      1
2018-03-24  102     10
2018-03-25  100      2
            102      8
Name: quantity, dtype: int64

如果想要平表结构（每一行对应一组日期+客户分组的求和结果），只需要加个reset_index：

summed_df = df.groupby([df.index, 'group'])['quantity'].sum().reset_index(name='total_quantity')

最终得到的结构化DataFrame如下：

方法二：用pivot_table生成透视表（更直观） #

如果你想直接得到宽表格式（把客户分组作为列，日期作为行），用pivot_table一步到位，非常适合后续做趋势分析或可视化：

summed_df = df.pivot_table(
    index=df.index,  # 行维度：日期索引
    columns='group', # 列维度：客户分组
    values='quantity', # 聚合目标字段：数量
    aggfunc='sum', # 聚合方式：求和
    fill_value=0 # 无记录的日期-分组组合填充0
)

输出的宽表结果如下：

内容的提问来源于stack exchange，提问作者Newbie2014