Python 如何将pandas.DataFrame（一周）重采样为平均日

我有每天以完全相同的时间间隔采集的几天（甚至几周）的数据，并希望计算平均日-时间曲线。 到目前为止，我尝试了每日平均值，但我每天都有一个平均值。。。我需要的是在每个可用时间的所有可用天数的平均值。知道正确的命令很容易。不幸的是，我对熊猫很陌生。 哪怕只是一个提示，在文档中查找到哪里都会很好

Time                   some value

2010-08-31 12:30:00    33.910
2010-08-31 12:40:00    33.250
2010-08-31 12:50:00    30.500
2010-08-31 13:00:00    27.065
2010-08-31 13:10:00    25.610
...

2013-06-07 02:10:00    16.970
2013-06-07 02:20:00    16.955
2013-06-07 02:30:00    17.000
2013-06-07 02:40:00    17.015
2013-06-07 02:50:00    16.910

您可以按

hours

和

minutes

和

mean

进行尝试：

print df
                  Time  some value
0  2010-08-31 12:30:00      33.910
1  2010-08-31 12:40:00      33.250
2  2010-08-31 12:50:00      30.500
3  2010-08-31 13:00:00      27.065
4  2010-08-31 13:10:00      25.610
5  2013-06-07 02:10:00      16.970
6  2013-06-07 02:20:00      16.955
7  2013-06-07 02:30:00      17.000
8  2013-06-07 02:40:00      17.015
9  2013-06-07 02:50:00      16.910

#convert column time to datetime
df['Time'] = pd.to_datetime(df['Time'])
#set index from column Time
df = df.set_index('Time')
print df
                     some value
Time                           
2010-08-31 12:30:00      33.910
2010-08-31 12:40:00      33.250
2010-08-31 12:50:00      30.500
2010-08-31 13:00:00      27.065
2010-08-31 13:10:00      25.610
2013-06-07 02:10:00      16.970
2013-06-07 02:20:00      16.955
2013-06-07 02:30:00      17.000
2013-06-07 02:40:00      17.015
2013-06-07 02:50:00      16.910

下一个解决方案未将

index

设置为

Datetimeindex

，请使用并创建新列

newCol

：

print df
                  Time  some value
0  2010-08-31 12:30:00      33.910
1  2010-08-31 12:40:00      33.250
2  2010-08-31 12:50:00      30.500
3  2010-08-31 13:00:00      27.065
4  2010-08-31 13:10:00      25.610
5  2013-06-07 02:10:00      16.970
6  2013-06-07 02:20:00      16.955
7  2013-06-07 02:30:00      17.000
8  2013-06-07 02:40:00      17.015
9  2013-06-07 02:50:00      16.910

#convert column time to datetime
df['Time'] = pd.to_datetime(df['Time'])
print df
                 Time  some value
0 2010-08-31 12:30:00      33.910
1 2010-08-31 12:40:00      33.250
2 2010-08-31 12:50:00      30.500
3 2010-08-31 13:00:00      27.065
4 2010-08-31 13:10:00      25.610
5 2013-06-07 02:10:00      16.970
6 2013-06-07 02:20:00      16.955
7 2013-06-07 02:30:00      17.000
8 2013-06-07 02:40:00      17.015
9 2013-06-07 02:50:00      16.910

---

在groupby中，可能应该是

[df.index.hour，df.index.minute]

。读取：在每个可用时间，所有可用天数的平均值time@jezrael您的建议似乎为一天中的所有数据点提供了一个单一的值，因此，它不是一条在每个时间步长上具有7天平均值的曲线，而是在该天的每个时间步长上具有每天的平均值。所以我会有一个7级的绘图：-）那么可以是

[df.index.hour，df.index.minute]

？推荐的输出是什么？我正在写我的评论，而另一个来了，[df.index.hour，df.index.minute]似乎起了作用，thx@cattt84-是否需要用新值覆盖列

某些值

？还是使用新值添加新列？

print df
                  Time  some value
0  2010-08-31 12:30:00      33.910
1  2010-08-31 12:40:00      33.250
2  2010-08-31 12:50:00      30.500
3  2010-08-31 13:00:00      27.065
4  2010-08-31 13:10:00      25.610
5  2013-06-07 02:10:00      16.970
6  2013-06-07 02:20:00      16.955
7  2013-06-07 02:30:00      17.000
8  2013-06-07 02:40:00      17.015
9  2013-06-07 02:50:00      16.910

#convert column time to datetime
df['Time'] = pd.to_datetime(df['Time'])
print df
                 Time  some value
0 2010-08-31 12:30:00      33.910
1 2010-08-31 12:40:00      33.250
2 2010-08-31 12:50:00      30.500
3 2010-08-31 13:00:00      27.065
4 2010-08-31 13:10:00      25.610
5 2013-06-07 02:10:00      16.970
6 2013-06-07 02:20:00      16.955
7 2013-06-07 02:30:00      17.000
8 2013-06-07 02:40:00      17.015
9 2013-06-07 02:50:00      16.910

df['newCol'] = df.groupby([df['Time'].dt.hour, df['Time'].dt.minute])['some value']
                 .transform('mean')
print df
                 Time  some value  newCol
0 2010-08-31 12:30:00      33.910  33.910
1 2010-08-31 12:40:00      33.250  33.250
2 2010-08-31 12:50:00      30.500  30.500
3 2010-08-31 13:00:00      27.065  27.065
4 2010-08-31 13:10:00      25.610  25.610
5 2013-06-07 02:10:00      16.970  16.970
6 2013-06-07 02:20:00      16.955  16.955
7 2013-06-07 02:30:00      17.000  17.000
8 2013-06-07 02:40:00      17.015  17.015
9 2013-06-07 02:50:00      16.910  16.910