熊猫数据框按日期时间月分组

设法做到了:

b = pd.read_csv('b.dat')
b.index = pd.to_datetime(b['date'],format='%m/%d/%y %I:%M%p')
b.groupby(by=[b.index.month, b.index.year])

或者

b.groupby(pd.Grouper(freq='M'))  # update for v0.21+

(更新日期: 2018)

请注意，pd.Timegrouper已折旧并将被删除。请使用:

 df.groupby(pd.Grouper(freq='M'))

避免 MultiIndex 的一个解决方案是创建一个新的 datetime列，设置 day = 1。然后按此列分组。

把每个月的日子正常化

df = pd.DataFrame({'Date': pd.to_datetime(['2017-10-05', '2017-10-20', '2017-10-01', '2017-09-01']),
'Values': [5, 10, 15, 20]})


# normalize day to beginning of month, 4 alternative methods below
df['YearMonth'] = df['Date'] + pd.offsets.MonthEnd(-1) + pd.offsets.Day(1)
df['YearMonth'] = df['Date'] - pd.to_timedelta(df['Date'].dt.day-1, unit='D')
df['YearMonth'] = df['Date'].map(lambda dt: dt.replace(day=1))
df['YearMonth'] = df['Date'].dt.normalize().map(pd.tseries.offsets.MonthBegin().rollback)

然后像往常一样使用 groupby:

g = df.groupby('YearMonth')


res = g['Values'].sum()


# YearMonth
# 2017-09-01    20
# 2017-10-01    30
# Name: Values, dtype: int64

与 pd.Grouper的比较

这种解决方案的微妙好处是，不同于 pd.Grouper，石斑鱼指数是标准化的 开始的每个月，而不是结束，因此你可以很容易地提取组通过 get_group:

some_group = g.get_group('2017-10-01')

计算十月的最后一天稍微有点麻烦。从 v0.23开始，pd.Grouper确实支持 convention参数，但这只适用于 PeriodIndex石斑鱼。

与字符串转换的比较

上述方法的另一种替代方法是转换为字符串，例如，将 datetime 2017-10-XX转换为 string '2017-10'。但是，不建议这样做，因为与 object系列字符串(以指针数组的形式存储)相比，datetime系列(在内部以数字数据的形式存储在连续内存块中)失去了所有的效率优势。

与@jpp 稍有不同的解决方案，但输出一个 YearMonth字符串:

df['YearMonth'] = pd.to_datetime(df['Date']).apply(lambda x: '{year}-{month}'.format(year=x.year, month=x.month))


res = df.groupby('YearMonth')['Values'].sum()

可以使用 resample方法对时间序列数据进行分组。例如，按月分组:

df.resample(rule='M', on='date')['Values'].sum()

带有偏移量别名的列表可以找到 给你。