Python 熊猫：计算给定时间范围内每个唯一元素（'；ID'；）的值之和，然后计算所有'；ID'；s

我正在研究一个数据集，其中包含芝加哥市出租车出行的数据。数据包含每次出行的信息，如出租车ID、时间戳、车费等。下面显示了来自

df.head（）

的数据示例，时间戳为datetime：

                                            Taxi ID     Pickup Community Area   Trip Total
Trip End Timestamp          
2016-04-25 18:00:00     bfec2c659fcbed3b508dc6caaf6f7ef39e17801e8ca0cc...   8.0     16.00
2016-11-16 15:45:00     f45c4bfa9d6c445eb03ab69093f7ec1e9cdecef83cb2ce...   32.0    9.75
2016-01-15 17:45:00     ecfb6f2cdce5d4c4e80218f58070ae719060ee47e648f4...   32.0    14.75
2016-01-20 21:30:00     7d8179131ea9952793af4cda8635e94b56c2b92d3c376c...   32.0    7.25
2016-02-11 09:15:00     d5c4fbae1c0c510364404a90fd477b19f7f03408ce40ff...   35.0    18.75

假设我有一周的数据，我想实现以下目标：

考虑用户选择的装箱选项：例如：小时

按出租车ID对数据进行分组，并将每辆出租车在一小时内的金额相加

根据出租车ID计算所有出租车之间所有此类“小时收入”的中位数（仍在该小时内）

在时间范围内每小时重复一次。一周内，这是24*7=168次

绘制一周中所有小时的每小时中位数

这可以延长到一周中的几个小时，一年中的几个星期等等

---

到目前为止，我能够使用

pivot_table

来获取整个时间范围内每天每小时的收入中值（但这不是一周中的每小时），或者

重新采样

来获取一段时间内的票价中值（但这不是出租车的“小时收入”，这是每次出行的票价中值）。这两种方法都不能达到我想要的效果，我应该如何实现这一点呢？

我首先将

df.grouby

与pandas中的

Grouper

功能相结合，实现了我的数据。因此，首先根据ID对数据进行分组，对于每个ID，每个时间段（例如，小时）对数据进行重新采样，最终可以通过此命令汇总该特定ID的每小时票价

dfGrouped = (df.groupby(['Taxi ID', pd.Grouper(freq='H', key='Trip End Timestamp')])
     ['Trip Total']
     .sum()
     .unstack(fill_value=0))

由于最后的取消堆叠操作，

dfGrouped

现在包含一个二维滑行ID与小时数的数组。所有出租车ID（行）的中位数仅通过以下方式获得：

dfGrouped.median()

---

如果您可以将数据框作为文本而不是图像包含，则会更有帮助。将其更改为文本