如何让Pandas的groupby每日从指定时间开始统计秒数？

要实现从每日09:00开始统计秒数的需求，我们可以通过先计算每条记录到当日09:00的总秒数，再结合相邻记录的时间差来实现，具体步骤和代码如下：

实现思路 #

1. 为每条记录生成当日09:00的基准时间（比如2016-06-10 10:09:16对应的基准时间是2016-06-10 09:00:00）；
2. 计算每条记录与当日09:00的总秒数差；
3. 对每日分组内的记录，第一条用「到09:00的总秒数」作为间隔，后续记录用「与上一条记录的时间差」作为间隔；
4. 将计算结果合并回原DataFrame。

代码实现 #

import pandas as pd

# 假设你的原始DataFrame是df，带有DateTimeIndex
# 先为每条记录生成当日09:00的基准时间
df['base_time'] = df.index.normalize() + pd.Timedelta(hours=9)

# 计算每条记录到当日09:00的总秒数
df['total_since_9am'] = (df.index - df['base_time']).dt.total_seconds()

# 计算相邻记录的时间差（秒）
df['interval'] = df.index.to_series().diff().dt.total_seconds()

# 按日期分组，将每组第一条记录的interval替换为total_since_9am
df['interval'] = df.groupby(df.index.date)['interval'].transform(
    lambda x: x.fillna(x.iloc[0]['total_since_9am'])
)

# 可以删除中间辅助列（可选）
df = df.drop(['base_time', 'total_since_9am'], axis=1)

结果验证 #

用你提供的测试数据运行后，得到的interval列会和期望结果完全一致：

简化版代码（无需中间列） #

如果你不想保留中间辅助列，也可以用更简洁的链式操作：

df['interval'] = (
    df.groupby(df.index.date, group_keys=False)
      .apply(lambda g: pd.Series(
          [g.index[0] - (g.index.normalize()[0] + pd.Timedelta(hours=9))] + 
          list(g.index.diff()[1:]),
          index=g.index
      ).dt.total_seconds())
)

这个逻辑是：对每个日期分组，第一条记录计算与当日09:00的秒差，后面的记录直接用相邻时间差，最后合并所有分组的结果。

内容的提问来源于stack exchange，提问作者cJc