
本文介绍在pandas中实现跨年度、以指定起始日为基准的固定365天周期分组方法,适用于气候、生态等需对齐自然年周期的时序分析场景。
本文介绍在pandas中实现跨年度、以指定起始日为基准的固定365天周期分组方法,适用于气候、生态等需对齐自然年周期的时序分析场景。
在时间序列分析中,常规的 pd.Grouper(freq='365D') 会按日历年度(如每年1月1日)或自然滚动窗口切分,无法满足“从某特定起始日(如2018-03-14)开始,每365天为一组”的业务需求。此时,直接使用 pd.Grouper 或已弃用的 pd.TimeGrouper 并不适用——因为它们基于固定频率对齐(如 Y, AS, 365D),而非偏移锚定的等长区间。
正确解法是:显式构造分组标签,再通过 groupby() 聚合。核心思路是将每个时间戳与起始日期的天数差整除365,得到唯一整数组号:
import pandas as pd
# 示例数据构建(与原始结构一致)
df = pd.DataFrame({
'date': pd.date_range('2018-03-14', periods=1848, freq='D'), # 使用'D'确保连续日期
'data': pd.Series(range(1848)).astype(float) / 10000
})
df.set_index('date', inplace=True)
# ✅ 关键步骤:定义起始锚点,并计算组索引
start_date = pd.Timestamp('2018-03-14')
df['group'] = ((df.index - start_date).days // 365)
# 执行分组聚合(支持sum/mean/first等任意操作)
result = df.groupby('group')['data'].sum().round(4)
print(result.head())
输出示例:
group 0 1.8270 1 5.4915 2 9.1560 3 12.8205 4 16.4850 Name: data, dtype: float64
⚠️ 注意事项:
// 365是整除运算,确保每365天为一组(非闰年处理),若需严格按公历年(含闰年),应改用pd.date_range(start=start_date, freq='YS')配合pd.cut();- 若原始数据索引非
DatetimeIndex,请先执行df.index = pd.to_datetime(df.index);- 对于不规则采样数据(如缺失日期),该方法仍有效,因分组仅依赖时间戳本身,不依赖连续性;
- 如需保留起始日期信息,可进一步添加列:
df['period_start'] = start_date + pd.to_timedelta(df['group'] * 365, unit='D')。
该方案简洁、高效、可读性强,避免了 pd.Grouper 的频率对齐限制,是处理自定义锚点周期分组的推荐实践。










