Python用于计算多列的datetime平均值

给出如下示例表

df

，如何计算

TIME1、TIME2、TIME3的平均日期。

df['AVG_TIME'] = df[['TIME1', 'TIME2', 'TIME3']].mean(axis=1)

这将返回

NaN

值

ID  TIME1   TIME2   TIME3 
0   2018-07-11  2018-07-09  2018-07-12 
1   2018-07-12  2018-06-12  2018-07-15 
2   2018-07-13  2018-06-13  2018-08-03 
3   2019-09-11  2019-08-11  2019-09-01 
4   2019-09-12  2019-08-12  2019-09-15 

---

这可以通过以下方式实现：

导入时间
导入日期时间
作为pd进口熊猫
#构建df
c=['TIME1'，'TIME2'，'TIME3']
d=['2018-07-11'，'2018-07-09'，'2018-07-12']，
['2018-07-12',  '2018-06-12', '2018-07-15'], 
['2018-07-13',  '2018-06-13', '2018-08-03'], 
['2019-09-11',  '2019-08-11', '2019-09-01'],
['2019-09-12',  '2019-08-12', '2019-09-15']]
df=pd.DataFrame（d，columns=c）
#从日期到纪元后秒数的转换（unix时间）
def至_unix：
返回time.mktime（datetime.datetime.strtime，“%Y-%m-%d”）.timetuple（））
#将历元后的秒数求和，计算平均值，并转换回可读日期
平均数=[]
对于索引，df.iterrows（）中的行：
unix=[第i行中的i的to_unix（i）]
平均值=总和（unix）/len（unix）
averages.append（datetime.datetime.utcfromtimestamp（average）.strftime（“%Y-%m-%d”））
df[‘平均值’]=平均值

您的列是

datetime

？如何将datetime对象转换为（int64）这样的时间戳，然后计算平均值？超级奇怪的情况是

mean

是为一系列datetime64定义的，而不是为数据帧定义的

df.apply（pd.Series.mean，axis=1）

是一种方法，尽管有一个apply:（.code>df.astype（'int64'）.mean（1）.astype（'datetime64[ns]'））@ALollz用我的真实数据尝试了你的方法，“TypeError:（'DatetimeIndex无法执行操作，平均值，'发生在索引12'）”@user3280146它可以工作。我使用了astype（np.int64）.mean（axis=1），然后通过pd.to_datetime函数将其转换回datetime。