按16:00-次日15:59自定义日周期排序推特时间数据的技术请求

我来帮你搞定这个统计周期调整的问题，适配纽交所16:00 UTC至次日15:59 UTC的时段其实很简单，核心思路是给时间戳做个偏移，让目标周期对齐到自然日的分组逻辑上。下面用Python的pandas工具来实现，步骤清晰易懂：

步骤1：加载数据并标准化时间格式 #

首先把你的CSV数据读入pandas，并确保Datetime_UTC字段被正确解析为datetime类型：

import pandas as pd

# 读取数据（假设数据存在CSV文件中）
df = pd.read_csv('your_twitter_data.csv', parse_dates=['Datetime_UTC'], infer_datetime_format=True)

步骤2：创建适配纽交所周期的分组日期 #

我们需要把每个UTC时间减去16小时，这样原时段16:00 UTC就会变成当天的00:00，原时段次日15:59 UTC会变成当天的23:59，刚好对应自然日的分组边界。生成一个新的Trade_Date字段来作为分组依据：

# 减去16小时，提取日期部分作为分组键
df['Trade_Date'] = (df['Datetime_UTC'] - pd.Timedelta(hours=16)).dt.date

举个例子验证：

• 原时间2013-06-01 16:00:00+00:00减去16小时 → 2013-06-01 00:00:00，Trade_Date为2013-06-01
• 原时间2013-06-02 05:00:00+00:00减去16小时 → 2013-06-01 13:00:00，Trade_Date仍为2013-06-01
• 原时间2013-06-02 16:00:00+00:00减去16小时 → 2013-06-02 00:00:00，Trade_Date变为2013-06-02
  这样就完美把2013-06-01 16:00到2013-06-02 15:59的所有数据归到Trade_Date=2013-06-01的组里了。

步骤3：按企业和交易日期聚合统计 #

最后按照Company和Trade_Date分组，对Negative、Neutral、Positive、Volume做求和统计（如果需要其他统计方式，比如计数，替换成count()即可）：

# 分组聚合
daily_stats = df.groupby(['Company', 'Trade_Date']).agg(
    Negative=('Negative', 'sum'),
    Neutral=('Neutral', 'sum'),
    Positive=('Positive', 'sum'),
    Volume=('Volume', 'sum')
).reset_index()

# 查看结果
print(daily_stats.head())

这样得到的daily_stats就是你想要的、按纽交所交易时段统计的每日数据啦！

内容的提问来源于stack exchange，提问作者hacker1337ninja