Python中对时间序列Pandas Series按月份索引排序并按月分组求年平均

没问题，我来一步步帮你搞定这个需求！咱们先理清楚核心逻辑：先计算每个年度对应月份的平均值（自动忽略NaN），再把相同月份的各年度平均值整合到一起，最后按自然月份顺序排序。

完整代码实现 #

假设你的Series对象名为s，直接用下面的代码就能得到目标DataFrame：

import pandas as pd

# 第一步：确保Series的索引是Datetime类型（如果还不是的话）
s.index = pd.to_datetime(s.index)

# 第二步：计算每个「年度-月份」的平均值（自动跳过NaN）
# 这里用strftime('%b')获取月份的缩写（Jan、Feb...）
year_month_avg = s.groupby([s.index.year, s.index.strftime('%b')]).mean()

# 第三步：按月份分组，把对应各年度的平均值收集成集合/列表
# 如果你想要集合就把list换成set
df_new = year_month_avg.reset_index(level=0).groupby(level=0)[s.name].apply(list).to_frame()

# 第四步：按自然月份顺序排序（避免字符串按字母排序的混乱）
month_order = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
df_new = df_new.reindex(month_order)

代码解释 #

1. 索引格式校验：先把索引转成DatetimeIndex，这样才能方便提取年份、月份等时间属性。
2. 年度-月份平均值计算：通过groupby同时按年份和月份缩写分组，用mean()计算每组的平均值（默认会跳过NaN值，完美适配你的数据情况）。
3. 整合同月份数据：把年份索引重置为列后，再次按月份分组，用apply(list)把每个月份下的所有年度平均值打包成列表（换成set就能得到集合）。
4. 自然排序：因为字符串默认按字母排序会乱序（比如Apr会在Aug前面），所以我们手动定义月份顺序，用reindex重新排列索引。

示例验证 #

如果用示例数据测试：

# 生成示例时间序列（含NaN）
dates = pd.date_range('2014-01-01', '2017-12-31', freq='30T')
import numpy as np
data = np.random.randn(len(dates))
data[::100] = np.nan  # 插入部分NaN值
s = pd.Series(data, index=dates, name='temperature')

运行代码后，df_new的索引就是从Jan到Dec的月份缩写，每个行的temperature列就是对应月份2014-2017年的平均值组成的列表。

内容的提问来源于stack exchange，提问作者Chi