Python 熊猫在不聚集的情况下重新采样

我已经尝试了很多，以找到一种方法，使我能够在不进行任何聚合的情况下获得重采样或组的所有组，例如，从以下开始：

import pandas as pd
import datetime
import numpy as np

fir_date=pd.to_datetime('1991/12/25')
days = pd.date_range(fir_date, fir_date + datetime.timedelta(100), freq='30T')
data=[]
for i in range(3):
    np.random.seed(seed=i)
    data.append(np.random.randint(1, high=100, size=len(days)))
    
df = pd.DataFrame({'Datetime': days, 'feature1': data[0],'feature2': data[1],'feature3': data[2]})
df = df.set_index('Datetime')
df.index = df.index.map(lambda x: x.replace(second=0,microsecond=0))

我能够通过以下方式获得每组特定重采样：

df.resample('D').groups

> {Timestamp('1991-12-25 00:00:00', freq='D'): 48, 
> Timestamp('1991-12-26 00:00:00', freq='D'): 96,
> Timestamp('1991-12-27 00:00:00', freq='D'): 144,  
> Timestamp('1991-12-28 00:00:00', freq='D'): 192,  
> Timestamp('1991-12-29 00:00:00', freq='D'): 240,  ...}

输出为dict an，因此我可以通过以下方式访问特定元素：

df.resample('D').get_group('1991-12-25 00:00:00')

但这似乎并不明智

有一种更好的方法，例如，为每组重采样获取1个数据帧

我知道可以循环重新取样，如下所示：

for i in df.resample('D'):
    print(i)
    break

但这并不能让我知道他们不是连续的一组，或者至少不容易

---

处理此问题有什么好的技巧吗？

将选择与

唯一组合使用

import pandas as pd
import datetime
import numpy as np

fir_date=pd.to_datetime('1991/12/25')
days = pd.date_range(fir_date, fir_date + datetime.timedelta(100), freq='30T')
data=[]
for i in range(3):
    np.random.seed(seed=i)
    data.append(np.random.randint(1, high=100, size=len(days)))
    
df = pd.DataFrame({'Datetime': days, 'feature1': data[0],'feature2': data[1],'feature3': data[2]})
df['Days'] = df['Datetime'].dt.date # put in your resample step length here, e.g. days, month, ...
df = df.set_index('Datetime')
df.index = df.index.map(lambda x: x.replace(second=0,microsecond=0))
for i in df['Days'].unique():
    selection = df[df['Days'] = i]

---

将选择与

unique

import pandas as pd
import datetime
import numpy as np

fir_date=pd.to_datetime('1991/12/25')
days = pd.date_range(fir_date, fir_date + datetime.timedelta(100), freq='30T')
data=[]
for i in range(3):
    np.random.seed(seed=i)
    data.append(np.random.randint(1, high=100, size=len(days)))
    
df = pd.DataFrame({'Datetime': days, 'feature1': data[0],'feature2': data[1],'feature3': data[2]})
df['Days'] = df['Datetime'].dt.date # put in your resample step length here, e.g. days, month, ...
df = df.set_index('Datetime')
df.index = df.index.map(lambda x: x.replace(second=0,microsecond=0))
for i in df['Days'].unique():
    selection = df[df['Days'] = i]

---

如果需要数据帧列表，请使用列表理解：

dfs = [x for i, x in df.resample('D')]

如果需要，可以使用字典将

重采样

对象转换为

元组

s和

dict

：

d = dict(tuple(df.resample('D')))

---

如果需要数据帧列表，请使用列表理解：

dfs = [x for i, x in df.resample('D')]

如果需要，可以使用字典将

重采样

对象转换为

元组

s和

dict

：

d = dict(tuple(df.resample('D')))

---

我理解这一点，那么如何根据日期时间索引将数据帧拆分为特定频率？嗯，输出应该是数据帧的lsit？像

dfs=[x代表i，x代表重采样（'D'）]

？很好，可能是最好的答案：

dfs=[x代表i，x代表重采样（'D'）]

现在明白了，所以添加了答案。我理解这一点，那么我如何根据日期时间索引将数据帧拆分为特定频率？嗯，输出应该是数据帧的lsit？像

dfs=[x代表i，x代表重采样（'D'）]

？很好，可能是最好的答案：

dfs=[x代表i，x代表df.resample（'D'）]

现在明白了，所以添加了答案。所以你建议创建一个新功能来对它们进行分组，如果不可能创建此功能怎么办？那么jezrael提出的解决方案会更好。因此，您建议创建一个新功能以对它们进行分组，如果不可能创建此功能怎么办？那么jezrael提出的解决方案会更好。