Pandas中Datetime格式转换及指定条件下毫秒累计求和问题

嗨，我来帮你搞定这两个Pandas相关的问题，都是日常处理时序数据经常遇到的场景，直接上干货：

你的时间字符串格式是2018/03/06 00:01:27:744，核心是最后三位是毫秒值，Pandas的pd.to_datetime()可以直接处理，只要指定正确的格式字符串就行。

具体代码如下：

import pandas as pd

# 假设你的DataFrame叫df
df['Time'] = pd.to_datetime(df['Time'], format='%Y/%m/%d %H:%M:%S:%f')

这里的格式字符串%Y/%m/%d %H:%M:%S:%f对应：

• %Y：4位年份
• %m：2位月份
• %d：2位日期
• %H：24小时制的小时
• %M：分钟
• %S：秒
• %f：微秒（虽然你的字符串是三位毫秒，但Pandas会自动补零到六位，不影响后续的时间计算）

转换完成后，df['Time']就变成了Pandas的datetime64[ns]类型，支持所有时间相关的操作。

首先得确保Time列已经转成了datetime类型（也就是问题1解决后的状态），接下来我们分步骤实现你要的逻辑：

步骤1：定义条件掩码 #

先筛选出Sensor1=0且Sensor2=1的行：

mask = (df['Sensor1'] == 0) & (df['Sensor2'] == 1)

步骤2：计算时间差并分组累计 #

我们需要把连续满足条件的行归为一组，然后在每组内计算从第一行到当前行的累计时间差（示例里用秒为单位，若要毫秒只需调整转换逻辑）：

import numpy as np

# 计算每行与前一行的时间差，转成秒
df['time_diff'] = df['Time'].diff().dt.total_seconds()

# 根据条件分组：把连续满足mask的行分到同一组
df['group_id'] = (~mask).cumsum()

# 在每组内累计时间差，不满足条件的行设为NaN
df['TimeCumsum'] = np.where(
    mask,
    df.groupby('group_id')['time_diff'].cumsum(),
    np.nan
)

# 可以删掉中间列，保持DataFrame整洁
df.drop(['time_diff', 'group_id'], axis=1, inplace=True)

逻辑解释： #

• (~mask).cumsum()：当遇到不满足条件的行时，~mask为True，累加值加1，这样就能把连续满足条件的行分到同一个group_id里。
• groupby('group_id')['time_diff'].cumsum()：在每个组内对时间差做累加，第一行的时间差是NaN，所以第一行会显示NaN，第二行是第一到第二的时间差，第三行是前两个时间差的和，以此类推。
• np.where：只在满足条件的行填充累计值，其他行留空（NaN），和你给出的示例格式一致。

如果需要毫秒单位的累计，只需要把dt.total_seconds()改成dt.total_seconds() * 1000就行，这样累计结果就是毫秒数。

内容的提问来源于stack exchange，提问作者GrayHash