Python 3.x python xarray仅在特定日期对变量重新采样

我有一个Xarray数据集，每天的数据值不规则。有时一天有两个值，有时几天有间隔

[Timestamp('2015-04-01 00:00:00'),
 Timestamp('2015-04-01 00:00:00'),
 Timestamp('2015-04-03 00:00:00'),
 Timestamp('2015-04-03 00:00:00'),
 Timestamp('2015-04-05 00:00:00'),
 Timestamp('2015-04-06 00:00:00'),
 Timestamp('2015-04-06 00:00:00')]

如果我应用重采样（）

我最终得到了

[Timestamp('2015-04-01 00:00:00'),
 Timestamp('2015-04-02 00:00:00'),
 Timestamp('2015-04-03 00:00:00'),
 Timestamp('2015-04-04 00:00:00'),
 Timestamp('2015-04-05 00:00:00'),
 Timestamp('2015-04-06 00:00:00'),
 Timestamp('2015-04-07 00:00:00')]

但我正在寻找像这样的数据重采样

[Timestamp('2015-04-01 00:00:00'),
 Timestamp('2015-04-03 00:00:00'),
 Timestamp('2015-04-05 00:00:00'),
 Timestamp('2015-04-06 00:00:00')]

在不向模型中添加新时间的情况下，我必须使用哪些选项才能获得相等天数的.mean（）值？我尝试在一个小样本中重现问题：

value_1 = np.arange(0,7,1)
times = np.array(['2015-04-01', '2015-04-01', '2018-01-03', '2018-01-03', '2018-01-05', '2018-01-05', '2018-01-06'], dtype='datetime64')

time_ = xr.Dataset(
        data_vars={'value':    (('time'), value_1)},
        coords={'time': times})

time_resample = time_.resample(time='1D').mean().sel(time=slice('2015-04-01', '2015-04-06'))

print(time_.time, time_resample.time)


<xarray.DataArray 'time' (time: 7)>
array(['2015-04-01T00:00:00.000000000', '2015-04-01T00:00:00.000000000',
       '2018-01-03T00:00:00.000000000', '2018-01-03T00:00:00.000000000',
       '2018-01-05T00:00:00.000000000', '2018-01-05T00:00:00.000000000',
       '2018-01-06T00:00:00.000000000'], dtype='datetime64[ns]')
Coordinates:
  * time     (time) datetime64[ns] 2015-04-01 2015-04-01 ... 2018-01-06 <xarray.DataArray 'time' (time: 6)>
array(['2015-04-01T00:00:00.000000000', '2015-04-02T00:00:00.000000000',
       '2015-04-03T00:00:00.000000000', '2015-04-04T00:00:00.000000000',
       '2015-04-05T00:00:00.000000000', '2015-04-06T00:00:00.000000000'],
      dtype='datetime64[ns]')
Coordinates:
  * time     (time) datetime64[ns] 2015-04-01 2015-04-02 ... 2015-04-06

value_1=np.arange（0,7,1）
时间=np.数组（['2015-04-01'，'2015-04-01'，'2018-01-03'，'2018-01-03'，'2018-01-05'，'2018-01-05'，'2018-01-06']，数据类型='datetime64'）
时间=数据集(
data_vars={'value'：（'time'），value_1}，
coords={'time'：times}）
时间重采样=时间重采样（time='1D'）.mean（）.sel（时间=切片（'2015-04-01'，'2015-04-06'））
打印（时间\时间，时间\重采样时间）
数组（['2015-04-01T00:00:00.000000000'，'2015-04-01T00:00:00.000000000'，
“2018-01-03T00:00:00.000000000”、“2018-01-03T00:00:00.000000000”，
“2018-01-05T00:00:00.000000000”、“2018-01-05T00:00:00.000000000”，
'2018-01-06T00:00:00.000000000'，dtype='datetime64[ns]]
协调：
*时间（时间）日期时间64[ns]2015-04-01 2015-04-01。。。2018-01-06 
数组（['2015-04-01T00:00:00.000000000'，'2015-04-02T00:00:00.000000000'，
“2015-04-03T00:00:00.000000000”、“2015-04-04T00:00:00.000000000”，
“2015-04-05T00:00:00.000000000”、“2015-04-06T00:00:00.000000000”]，
dtype='datetime64[ns]'）
协调：
*时间日期时间64[ns]2015-04-01 2015-04-02。。。2015-04-06

您必须按

时间进行分组

并应用函数mean

time_groupby = time_.value.groupby('time').mean()

---

在这一点上，沙雷与熊猫非常相似

groupby（'Date'）

或类似的东西，而不是

重采样

。如果您解决了问题，您可以回答问题并接受它（或任何其他答案）。这是一种比在问题内部编辑解决方案更好的方法

time_groupby = time_.value.groupby('time').mean()