Python 熊猫-切片数据并计算平均值

我有一个包裹交付数据表，其结构如下所示：

route_id      parcel_id   loading_time           other_fields
  X1          001         14:20 25/07/2019       ...
  X2          025         14:23 25/07/2019       ...
...         ...                    ...

我想计算每个路线id每10分钟（0-10、11-20、21-30）出现的所有包裹重量的平均值。因此，我想要的结果表如下所示：

route_id        time_window                                         average_weight(kg)
   X1           870 (i.e. 14:20 - 14:30，only show UpperBound)      550 
   X1           880                                                 1020
   ...          ...                                                 ...

---

如何在Pandas或SQL server中轻松执行此操作？

如果我理解正确，您希望每隔10分钟通过

route\u id

执行聚合。您的

加载时间也是一个字符串。首先将其转换为时间戳

以下示例使用了一些模拟数据，因为没有示例输入数据：

loading_times = np.random.choice(pd.date_range('2019-07-25 9:00', '2019-07-25 9:20', freq='T'), 10)
df = pd.DataFrame({
    'route_id': np.random.randint(1, 4, len(loading_times)),
    'weight': np.random.randint(1, 5, len(loading_times)),
    'loading_time': loading_times
})

样本数据（已排序）：

然后将其分组：

def summarize(x):
    return pd.Series({
        'count': len(x),
        'avg_weight': x['weight'].mean()
    })

by = ['route_id', pd.Grouper(key='loading_time', freq='10T')]
df.groupby(by).apply(summarize)

结果:

                              count  avg_weight
route_id loading_time                          
1        2019-07-25 09:00:00    2.0         1.5
         2019-07-25 09:10:00    5.0         2.4
2        2019-07-25 09:00:00    1.0         4.0
3        2019-07-25 09:00:00    1.0         4.0
         2019-07-25 09:10:00    1.0         3.0

我们可能需要更多关于它的信息你想要什么信息？我只想计算一天中每10分钟按每个路线id显示的平均包裹体积。看看这里：我已经编辑了我的问题。1). 我想得到一个定义时间段内包裹的平均值（每10分钟，0-10，11-20，21-30）。最终结果中的加载时间是否为时间间隔的上限？2). 如何复制索引中的路由id？（1）上述输出中的
加载时间
是时段的开始时间（即从9:00到9:10之前，从9:10到9:20之前，等等）。（2） 它只是为了展示而裁剪的。
route\u id
在每一行都可用，非常感谢。我需要删除时间前面的日期吗？我想得到整个月（即30个采样日）内每个时间间隔的平均值，需要进行更多调整。1).  需要消除日期差异，因为我有兴趣捕获整个月（即30个采样日）内每个时间间隔的平均重量2）。时间间隔与结果不连续。它仅显示存在地块的时间间隔。我需要显示所有时间间隔，如果没有包裹，只需报告0。
                              count  avg_weight
route_id loading_time                          
1        2019-07-25 09:00:00    2.0         1.5
         2019-07-25 09:10:00    5.0         2.4
2        2019-07-25 09:00:00    1.0         4.0
3        2019-07-25 09:00:00    1.0         4.0
         2019-07-25 09:10:00    1.0         3.0