我刚刚发现了熊猫的力量，我喜欢它，但我无法弄清楚这个问题：
我有一个DataFrame df.head()：
lon lat h filename time
0 19.961216 80.617627 -0.077165 60048 2002-05-15 12:59:31.717467
1 19.923916 80.614847 -0.018689 60048 2002-05-15 12:59:31.831467
2 19.849396 80.609257 -0.089205 60048 2002-05-15 12:59:32.059467
3 19.830776 80.607857 0.076485 60048 2002-05-15 12:59:32.116467
4 19.570708 80.588183 0.162943 60048 2002-05-15 12:59:32.888467
我想将我的数据分组为九天
gb = df.groupby(pd.TimeGrouper(key='time', freq='9D'))
第一组：
2002-05-15 12:59:31.717467 lon lat h filename time
0 19.961216 80.617627 -0.077165 60048 2002-05-15 12:59:31.717467
1 19.923916 80.614847 -0.018689 60048 2002-05-15 12:59:31.831467
2 19.849396 80.609257 -0.089205 60048 2002-05-15 12:59:32.059467
3 19.830776 80.607857 0.076485 60048 2002-05-15 12:59:32.116467
...
下一组：
2002-05-24 12:59:31.717467 lon lat height filename time
815 18.309498 80.457024 0.187387 60309 2002-05-24 16:35:39.553563
816 18.291458 80.458514 0.061446 60309 2002-05-24 16:35:39.610563
817 18.273408 80.460014 0.129255 60309 2002-05-24 16:35:39.667563
818 18.255358 80.461504 0.046761 60309 2002-05-24 16:35:39.724563
...
所以数据从第一次（12：59：31.717467）算起，分为9天，而不是我想要的那天。
分组一天时：
gb = df.groupby(pd.TimeGrouper(key='time', freq='D'))
给了我：
2002-05-15 00:00:00 lon lat h filename time
0 19.961216 80.617627 -0.077165 60048 2002-05-15 12:59:31.717467
1 19.923916 80.614847 -0.018689 60048 2002-05-15 12:59:31.831467
2 19.849396 80.609257 -0.089205 60048 2002-05-15 12:59:32.059467
3 19.830776 80.607857 0.076485 60048 2002-05-15 12:59:32.116467
...
我可以循环过去，直到我得到九天的间隔，但我认为它可以更聪明地完成，我正在寻找一个与YS（年初）相当的Grouper freq选项仅仅几天，一种设置开始时间的方法（可能是通过Grouper选项convention : {‘start’, ‘end’, ‘e’, ‘s’}），或???
我正在运行Python 3.5.2，而Pandas的版本是：0.19.0
答案 0 :(得分：1)
如果将日期时间截断为给定日期的午夜，则分组将按预期工作（从当天开始）。我希望通过转换为日期时间来工作，例如
df['date'] = df['time'].apply(lambda x:x.date())
但是，除非索引是TimeGrouper，否则您无法使用datetime。
您可以使用两个选项，将日期时间直接截断为午夜，如下所示：
df['date'] = df['time'].apply(lambda x:x.replace(hour=0, minute=0, second=0, microsecond=0)))
或者，您可以先生成date个值，然后使用pd.to_datetime()函数将它们转换回日期时间：
df['date'] = df['time'].apply(lambda x: x.date() )
df['date'] = pd.to_datetime(df['date'])
答案 1 :(得分：1)
完成@mfitzp答案你可以这样做：
df['dateonly'] = df['time'].apply(lambda x: x.date())
唯一的问题是df['dateonly']不是DatetimeIndex
你需要先转换它：
df['dateonly'] = pd.to_datetime(df['dateonly'])
现在你可以分组了
gb = df.groupby(pd.TimeGrouper(key='dateonly', freq='9D'))
有关额外信息convention与PeriodIndex而非DatetimeIndex
答案 2 :(得分：1)
删除第一行：
您最好的选择是normalize datetime列的第一行，以便将时间重置为00:00:00（午夜）并根据 9D <分组/ em> interval：
df.loc[0, 'time'] = df['time'].iloc[0].normalize()
for _, grp in df.groupby(pd.TimeGrouper(key='time', freq='9D')):
print (grp)
# lon lat h filename time
# 0 19.961216 80.617627 -0.077165 60048 2002-05-15 00:00:00.000000
# 1 19.923916 80.614847 -0.018689 60048 2002-05-15 12:59:31.831467
# 2 19.849396 80.609257 -0.089205 60048 2002-05-15 12:59:32.059467
# 3 19.830776 80.607857 0.076485 60048 2002-05-15 12:59:32.116467
# 4 19.570708 80.588183 0.162943 60048 2002-05-15 12:59:32.888467
# ......................................................................
这会恢复其他行中的时间，因此您不会丢失该信息。
保留第一时间行：
如果你想保留第一次的行并且不对其进行任何更改，但只想从午夜开始分组，你可以这样做：
df_t_shift = df.shift() # Shift one level down
df_t_shift.loc[0, 'time'] = df_t_shift['time'].iloc[1].normalize()
# Concat last row of df with the shifted one to account for the loss of row
df_t_shift = df_t_shift.append(df.iloc[-1], ignore_index=True)
for _, grp in df_t_shift.groupby(pd.TimeGrouper(key='time', freq='9D')):
print (grp)
# lon lat h filename time
# 0 NaN NaN NaN NaN 2002-05-15 00:00:00.000000
# 1 19.961216 80.617627 -0.077165 60048.0 2002-05-15 12:59:31.717467
# 2 19.923916 80.614847 -0.018689 60048.0 2002-05-15 12:59:31.831467
# 3 19.849396 80.609257 -0.089205 60048.0 2002-05-15 12:59:32.059467
# 4 19.830776 80.607857 0.076485 60048.0 2002-05-15 12:59:32.116467
# 5 19.570708 80.588183 0.162943 60048.0 2002-05-15 12:59:32.888467
答案 3 :(得分：1)
我知道这是一个迟到的条目。但是根据pandas.Grouper documentation，您可以将origin对象的pandas.Grouper选项设置为"start_day"，如下所示：
for _, grp in df.groupby(pd.Grouper(freq="9D", origin="start_day")):
print(grp)
此选项是在 1.1.0 版本中添加的。