如何用Pandas按日期（忽略时分秒）聚合相同日期行并求和

刚接触Python遇到这类数据处理问题很正常，我帮你梳理下问题所在，再给出修正后的完整流程：

首先先指出你之前代码里的两个核心问题：

1. 日期格式化代码有语法错误：format='%b %d %Y.%f'`里的引号没闭合，导致这段代码根本跑不通；
2. 格式字符串和实际日期不匹配：你的日期是2018-04-08 15:52:26.110这种YYYY-MM-DD HH:MM:SS.ms格式，但你用了%b（月份缩写，比如Apr），完全不匹配，自然无法正确解析。

下面是修正后的完整代码，每一步都给你标注清楚：

修正后的代码流程 #

import pandas as pd

# 1. 读取原始Excel并处理目标列（不用反复存读Excel，直接内存操作）
df = pd.read_excel(f"{var}.xlsx")
# 选择第37列（索引36），注意用[36]而不是36，避免变成Series
df = df.iloc[:, [36]]
# 重命名列
df = df.rename(columns={'Prospect Dt. Cadastro': 'date'})

# 2. 正确解析日期并提取纯日期部分
# 你的日期是标准ISO格式，pd.to_datetime可以自动识别，不用指定format
df['date'] = pd.to_datetime(df['date'])
# 提取纯日期（转为字符串类型，方便后续分组）
df['date'] = df['date'].dt.date
# 如果你想保留datetime类型的日期（推荐做时间分析），可以用：
# df['date'] = df['date'].dt.floor('D')

# 3. 添加辅助列
df['value'] = 1
df['source'] = 'ANAPRO'

# 4. 按日期+source分组，对value求和
aggregated_df = df.groupby(['date', 'source'], as_index=False)['value'].sum()

# 5. 保存结果并验证
aggregated_df.to_excel('aggregated_payload.xlsx', index=False)
# 读取验证
result = pd.read_excel('aggregated_payload.xlsx')
print(result.head(10))

额外优化说明 #

• 去掉了冗余的Excel读写步骤：你之前把列存成新Excel再读回来完全没必要，直接在内存里处理效率更高；
• 分组逻辑更清晰：如果你的source列全是ANAPRO，也可以只按date分组，之后再统一添加source列；
• 日期处理更稳妥：用dt.date提取纯日期，确保相同日期的行能被正确聚合。

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