如何按条件将数据聚合为多个不同的求和列？

嘿，我来帮你搞定这个多条件聚合求和的需求！看你给的数据集，是要把不同Category的Total按时间维度（比如小时）拆分汇总成单独的列对吧？下面给你几个常用的实现方法，总有一款适合你：

方法1：Excel 数据透视表（适合可视化快速操作） #

如果是用Excel处理这份数据，数据透视表是最省心的选择：

• 选中整个数据集（包括表头行）
• 点击「插入」选项卡的「数据透视表」，按提示确认放置透视表的位置
• 在右侧的透视表字段面板里做如下设置：
  • 把「DateTime」拖到「行」区域，右键点击它选择「分组」，设置按小时分组（刚好适配你每15分钟一条的数据频率）
  • 把「Category」拖到「列」区域
  • 把「Total」拖到「值」区域，确认汇总方式是「求和」
    这样就能得到每行对应一个小时、每列对应一个Category的求和结果，比如9点的Arf总和是4，Bork总和是2，完美符合你的需求。

方法2：SQL 查询（适合数据库批量处理） #

如果数据存储在数据库表（假设表名为your_table），可以用条件聚合的方式直接查询出结果：

SELECT
    DATE_TRUNC('hour', DateTime) AS Hour,
    SUM(CASE WHEN Category = 'Arf' THEN Total ELSE 0 END) AS Arf_Total,
    SUM(CASE WHEN Category = 'Bork' THEN Total ELSE 0 END) AS Bork_Total
FROM your_table
GROUP BY DATE_TRUNC('hour', DateTime)
ORDER BY Hour;

原理很简单：用CASE语句判断每条记录的Category，只对目标类别的Total求和，然后按小时分组，最终得到每个时间区间下不同类别的单独求和列。

方法3：Python Pandas（适合数据分析自动化） #

如果需要用代码自动化处理这类任务，Pandas的透视表功能可以轻松实现：

import pandas as pd

# 构造你的数据集（如果是从文件读取，用pd.read_csv即可）
df = pd.DataFrame({
    'DateTime': ['3/23/18 9:00 AM', '3/23/18 9:15 AM', '3/23/18 9:30 AM', '3/23/18 9:45 AM',
                 '3/23/18 10:00 AM', '3/23/18 10:15 AM', '3/23/18 10:30 AM', '3/23/18 10:45 AM',
                 '3/23/18 11:00 AM', '3/23/18 11:15 AM', '3/23/18 11:30 AM', '3/23/18 11:45 AM'],
    'Category': ['Bork', 'Arf', 'Bork', 'Arf', 'Bork', 'Arf', 'Bork', 'Arf', 'Bork', 'Arf', 'Bork', 'Arf'],
    'Total': [1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2]
})

# 转换时间格式并按小时分组透视
df['DateTime'] = pd.to_datetime(df['DateTime'])
aggregated_df = df.pivot_table(
    index=df['DateTime'].dt.floor('h'),  # 按小时向下取整分组
    columns='Category',
    values='Total',
    aggfunc='sum'
).reset_index()

# 重命名列名让结果更清晰
aggregated_df.columns = ['Hour', 'Arf_Total', 'Bork_Total']
print(aggregated_df)

运行这段代码后，你会得到一个结构化的DataFrame，包含每个小时对应的Arf和Bork的求和值，方便后续分析或导出。

内容的提问来源于stack exchange，提问作者Infin8Loop