熊猫，groupby和特定月份的求和

是的，对我来说似乎很整洁的一种解决方案是使用Seasons字典，然后使用函数对数据进行分组。每个索引值都会调用一次作为组键传递的任何函数，并将返回值用作组名。

import pandas as pd
import numpy as np
from pandas import DataFrame
import datetime
# Create a year's worth of data
base = datetime.date.today() - datetime.timedelta(365)
Datelist = [base + datetime.timedelta(days = x) for x in range(365)]
DF = DataFrame(np.random.rand(365), index = Datelist)

# Create a Seasonal Dictionary that will map months to seasons
SeasonDict = {11: 'Winter', 12: 'Winter', 1: 'Winter', 2: 'Spring', 3: 'Spring', 4: 'Spring', 5: 'Summer', 6: 'Summer', 7: 'Summer', \
8: 'Autumn', 9: 'Autumn', 10: 'Autumn'}

# Write a function that will be used to group the data
def GroupFunc(x):
    return SeasonDict[x.month]

# Call the function with the groupby operation. 
Grouped = DF.groupby(GroupFunc)
Grouped.sum()

该函数获取每个索引值，并在“季节字典”中查找月份，然后返回与月份键对应的值。然后，该值成为组名。

另外，您也可以像示例中那样使用lambda（效率更高，但我认为上面的内容更容易理解）：

DF.groupby(lambda x: SeasonDict[x.month]).sum()

每个注释的附加代码在我看来，切片数据会更好。因此，您可以执行以下操作

DF['Season'] = ""
for row in DF.index:
    DF.Season[row] = SeasonDict[row.month]
DFWinter = DF[DF.Season == 'Winter']

现在，您有了一个包含冬季数据的新数据框，可以根据需要进行操作。区别在于，groupby操作允许您对所有数据执行相同的操作，而听起来您想以不同的方式调查数据集不同部分的属性。为此，最好使用布尔切片来切片。