Pandas 熊猫：将数据划分为15分钟

我有数据框和日期看起来像

event_time
2017-01-17 00:12:50      
2016-12-05 01:00:21      
2016-12-04 01:14:36     
2016-12-04 01:04:03     
2016-12-04 02:28:23     
2016-12-04 02:46:49      
2016-12-04 01:58:04

我需要获取列

period

，其中15分钟从

00:00:00开始，日期、月份和年份不重要。
时间在
00:00:00-00:15:00
-时段1
00:15:01-00:50:00
-第2段等。
如果我使用
df=df.groupby（pd.TimeGrouper（freq='15Min'））
它是错误的，因为它也使用day。但我只需要利用时间

期望输出

event_time            period
2017-01-17 00:12:50   1      
2016-12-05 01:00:21   4    
2016-12-04 01:14:36   4 
2016-12-04 01:04:03   4 
2016-12-04 02:28:23   10  
2016-12-04 02:46:49   12 
2016-12-04 01:58:04   8

我该怎么做

df = pd.DataFrame(pd.to_datetime([
    "2017-01-17 00:12:50",    
    "2016-12-05 01:00:21",      
    "2016-12-04 01:14:36",     
    "2016-12-04 01:04:03",     
    "2016-12-04 02:28:23",     
    "2016-12-04 02:46:49",      
    "2016-12-04 01:58:04"]),
    columns=['timestamp']
    )

然后是
period
列

df['period'] = df.timestamp.apply(lambda ts: 1 + ts.hour * 4 + ts.minute // 15)

它提供了以下输入：

            timestamp  period
0 2017-01-17 00:12:50       1
1 2016-12-05 01:00:21       5
2 2016-12-04 01:14:36       5
3 2016-12-04 01:04:03       5
4 2016-12-04 02:28:23      10
5 2016-12-04 02:46:49      12
6 2016-12-04 01:58:04       8

您和我的输出之间存在微小差异-行
1
，
2
和
3
：例如
01:00:21
应该是
5
，因为在第一个小时和第五个小时有四个时段刚刚开始。
新的解决方案包括和：

计时：

rng = pd.date_range('2017-04-03', periods=100000, freq='27T')
df = pd.DataFrame({'timestamp': rng})  

df['label'] = df['timestamp'].dt.hour * 4 + df['timestamp'].dt.minute // 15 + 1
df['period'] = df.timestamp.apply(lambda ts: 1 + ts.hour * 4 + ts.minute // 15)
print (df)

In [172]: %timeit df['timestamp'].dt.hour * 4 + df['timestamp'].dt.minute // 15 + 1
10 loops, best of 3: 20.2 ms per loop

In [173]: %timeit df.timestamp.apply(lambda ts: 1 + ts.hour * 4 + ts.minute // 15)
1 loop, best of 3: 301 ms per loop

旧的解决方案（可行，但有点复杂）：

您可以先将日期时间转换为，然后再转换为秒

然后使用或：


类似的解决方案，仅适用于
系列
tot:

tot = pd.to_timedelta(df['event_time'].dt.strftime('%H:%M:%S'))
       .dt.total_seconds()
       .astype(int)

bins = np.concatenate([np.arange(24 * 4) * 900, np.array([100000])])
labels = np.arange(1, 24 * 4 + 1)
df['label'] = pd.cut(tot, bins=bins, labels=labels)

df = df.assign(label1=np.searchsorted(bins, tot))
print (df)
           event_time label  label1
0 2017-01-17 00:12:50     1       1
1 2016-12-05 01:00:21     5       5
2 2016-12-04 01:14:36     5       5
3 2016-12-04 01:04:03     5       5
4 2016-12-04 02:28:23    10      10
5 2016-12-04 02:46:49    12      12
6 2016-12-04 01:58:04     8       8

我需要用数值将其添加到列中，然后您可以用所需的输出更新您的问题吗？我需要“period”列中的句号。您的代码返回句号，但对于time
00:05:05
它又返回32，我猜。如果我编辑的回复不是您想要的，没有示例，我将无法帮助您。我不需要求和）我需要获得包含句号的列。我已经更改了我的问题并添加了desire Output您是否注意到我在更新之前用相同的解决方案（不同的符号）给出了相同的答案？这很不公平。@mkos-我认为这是不同的解决方案，所以我添加了它。应用和矢量化的aprocha总是不同的。@mkos-但想法是一样的，你们是对的。我认为这没有问题。矢量化方法（在我的电脑上）比
apply（）
慢约3倍，所以为什么还要麻烦更新？@mkos-它更快，因为测试的数据帧很小。检查我编辑的答案-应用速度较慢。
df['tot'] = pd.to_timedelta(df['event_time'].dt.strftime('%H:%M:%S'))
              .dt.total_seconds()
              .astype(int)

#necessary add one group
bins = np.concatenate([np.arange(24 * 4) * 900, np.array([100000])])
labels = np.arange(1, 24 * 4 + 1)
df['label'] = pd.cut(df['tot'], bins=bins, labels=labels)

df = df.assign(label1=np.searchsorted(bins, df['tot']))
print (df)
           event_time    tot label  label1
0 2017-01-17 00:12:50    770     1       1
1 2016-12-05 01:00:21   3621     5       5
2 2016-12-04 01:14:36   4476     5       5
3 2016-12-04 01:04:03   3843     5       5
4 2016-12-04 02:28:23   8903    10      10
5 2016-12-04 02:46:49  10009    12      12
6 2016-12-04 01:58:04   7084     8       8

tot = pd.to_timedelta(df['event_time'].dt.strftime('%H:%M:%S'))
       .dt.total_seconds()
       .astype(int)

bins = np.concatenate([np.arange(24 * 4) * 900, np.array([100000])])
labels = np.arange(1, 24 * 4 + 1)
df['label'] = pd.cut(tot, bins=bins, labels=labels)

df = df.assign(label1=np.searchsorted(bins, tot))
print (df)
           event_time label  label1
0 2017-01-17 00:12:50     1       1
1 2016-12-05 01:00:21     5       5
2 2016-12-04 01:14:36     5       5
3 2016-12-04 01:04:03     5       5
4 2016-12-04 02:28:23    10      10
5 2016-12-04 02:46:49    12      12
6 2016-12-04 01:58:04     8       8