在Pandas中按小时分组并保留小时级Datetime信息的实现方法

先还原你的原始数据（已转换为datetime类型）：

import pandas as pd

data = {
    'date': ['2017-08-01 00:00:00', '2017-08-01 00:00:01', '2017-08-01 00:00:03', '2017-08-01 00:00:05', '2017-08-01 00:00:06'],
    'A': [3,3,3,3,3],
    'I': [56,57,58,52,50],
    'r': [4,1,9,10,1],
    'z': [6.,6,6,2.,1]
}
df = pd.DataFrame(data)
df['date'] = pd.to_datetime(df['date'])

你遇到的问题是用df.groupby(df['date'].dt.hour).mean()后，索引变成了单纯的小时数字（0、1...），丢失了完整的日期时间信息。要保留datetime64[ns]类型的小时级时间标识，有两个实用的解决方案：

方法一：用resample（推荐，专为时间序列设计） #

resample是pandas专门处理时间序列重采样的工具，直接按小时聚合就能自动保留datetime格式的索引：

# 按小时重采样并计算均值，on参数指定时间列
hourly_mean = df.resample('H', on='date').mean()

# 如果需要把datetime索引转为普通列（和你的目标输出格式一致），执行reset_index()
hourly_mean = hourly_mean.reset_index()

执行后hourly_mean的date列就是2017-08-01 00:00:00这样的datetime64[ns]类型。如果你的数据跨天，它会自动生成对应日期的小时起始时间，比如2017-08-02 01:00:00，完全贴合需求。

方法二：用groupby配合dt.floor #

如果你更习惯用groupby，可以先把时间列向下取整到小时，再按处理后的列分组：

# 生成小时级datetime列（将所有时间戳统一到当前小时的起始点）
df['hourly_date'] = df['date'].dt.floor('H')

# 按新列分组计算均值，再整理列名
hourly_mean = df.groupby('hourly_date').mean().reset_index().rename(columns={'hourly_date': 'date'})

这个方法同样能得到类型为datetime64[ns]的date列，效果和resample一致，适合更偏好groupby逻辑的场景。

两种方法都能完美解决你的问题，其中resample更简洁高效，是时间序列聚合的首选方案。

内容的提问来源于stack exchange，提问作者may