如何在非唯一列中按日期对pandas DataFrame条目进行分组

熊猫DataFrame包含名为的列"date"，其中包含非唯一datetime值。我可以使用以下方法将该行中的行分组：

data.groupby(data['date'])

但是，这会将数据按datetime值分割。我想按“日期”列中存储的年份对这些数据进行分组。此页面显示了在使用时间戳作为索引的情况下如何按年份分组，在我的情况下情况并非如此。

如何实现此分组？

我正在使用熊猫0.16.2。这在我的大型数据集上具有更好的性能：

data.groupby(data.date.dt.year)

使用dt选项和玩弄weekofyear，dayofweek等变得更加容易。

ecatmur的解决方案可以正常工作。不过，这将在大型数据集上获得更好的性能：

data.groupby(data['date'].map(lambda x: x.year))

使用样本数据集可能更容易解释。

创建样本数据

假设我们只有一列“时间戳记”，date另一列是我们希望对进行聚合的a。

df = pd.DataFrame({'date':pd.DatetimeIndex(['2012-1-1', '2012-6-1', '2015-1-1', '2015-2-1', '2015-3-1']),
                   'a':[9,5,1,2,3]}, columns=['date', 'a'])

df

        date  a
0 2012-01-01  9
1 2012-06-01  5
2 2015-01-01  1
3 2015-02-01  2
4 2015-03-01  3

有几种按年分组的方法

• 将dt访问器与year属性一起使用
• 放入date索引并使用匿名功能访问年份
• 使用resample方法
• 转换为熊猫时期

.dt具有year属性的访问者

当您有pandas Timestamps的列（而不是索引）时，可以使用访问器访问更多其他属性和方法dt。例如：

df['date'].dt.year

0    2012
1    2012
2    2015
3    2015
4    2015
Name: date, dtype: int64

我们可以使用它来形成我们的组并计算特定列上的一些聚合：

df.groupby(df['date'].dt.year)['a'].agg(['sum', 'mean', 'max'])

      sum  mean  max
date                
2012   14     7    9
2015    6     2    3

将日期放入索引并使用匿名函数访问年份

如果将日期列设置为索引，则它将变为DateTimeIndex，其属性和方法与dt访问器提供的常规列相同

df1 = df.set_index('date')
df1.index.year

Int64Index([2012, 2012, 2015, 2015, 2015], dtype='int64', name='date')

有趣的是，在使用groupby方法时，可以向其传递一个函数。该函数将隐式传递给DataFrame的索引。因此，我们可以从上面获得以下相同的结果：

df1.groupby(lambda x: x.year)['a'].agg(['sum', 'mean', 'max'])

      sum  mean  max
2012   14     7    9
2015    6     2    3

使用resample方法

如果日期列不在索引中，则必须使用on参数指定该列。您还需要将偏移别名指定为字符串。

df.resample('AS', on='date')['a'].agg(['sum', 'mean', 'max'])

             sum  mean  max
date                       
2012-01-01  14.0   7.0  9.0
2013-01-01   NaN   NaN  NaN
2014-01-01   NaN   NaN  NaN
2015-01-01   6.0   2.0  3.0

转换为熊猫时期

您还可以将日期列转换为熊猫Period对象。我们必须将offset别名作为字符串传递，以确定Period的长度。

df['date'].dt.to_period('A')

0   2012
1   2012
2   2015
3   2015
4   2015
Name: date, dtype: object

然后我们可以将其作为一个组

df.groupby(df['date'].dt.to_period('Y'))['a'].agg(['sum', 'mean', 'max'])


      sum  mean  max
2012   14     7    9
2015    6     2    3

这应该工作：

data.groupby(lambda x: data['date'][x].year)

这也将工作

data.groupby(data['date'].dt.year)