使用Pandas按天分组DateTimeIndex并统计日期出现频次

嘿，这问题我刚好处理过，先确认下你的场景：你已经把DataFrame的索引设置成了DateTimeIndex，数据大概长这样：

timestamp               _id
2018-05-09 16:56:40.940 somedata1
2018-05-09 16:54:03.959 somedata2
2018-05-10 16:53:42.975 somedata3
2018-05-11 16:52:44.897 somedata4
2018-05-11 16:46:35.902 somedata5

你想要统计每个日期的出现频次，得到这样的结果：

day         count
2018-05-09  2
2018-05-10  1
2018-05-11  2

给你两种简单的实现方法，都能轻松搞定：

方法一：用value_counts()快速统计 #

这种方法步骤简洁，先提取日期部分再统计：

# 从DateTimeIndex中提取日期，统计每个日期的出现次数并按日期排序
daily_counts = df.index.date.value_counts().sort_index()

# 转换成DataFrame并设置列名
result_df = daily_counts.reset_index()
result_df.columns = ['day', 'count']

• df.index.date会把每个时间戳转换成纯日期对象（比如2018-05-09）
• value_counts()自动统计每个日期的出现频次
• sort_index()确保结果按日期先后顺序排列，避免乱序
• 最后用reset_index()把统计结果的索引转成列，再重命名成你需要的day和count

方法二：用groupby()分组统计 #

如果你习惯用分组的思路，也可以这么写：

# 按日期分组，计算每组的大小（即频次）
result_df = df.groupby(df.index.date).size().reset_index(name='count')
# 重命名第一列
result_df.columns = ['day', 'count']

• groupby(df.index.date)按日期对数据分组
• size()返回每组的行数，也就是该日期的出现次数
• reset_index(name='count')直接把统计结果转成DataFrame并设置第二列的列名，最后再重命名第一列即可

两种方法都能得到你想要的结果，选哪种全看你个人习惯～

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