熊猫：按字符串的一部分分组

Question

我有一个正在处理的大型数据集，它具有约6000行和几百列。 我设法按需整理了大部分信息，但是由于无法正确地按字符串的一部分进行分组，现在我陷入了困境。

原始数据的格式为：

6001  17/11/2019 6:00:00 PM         2019  ...        30.519371    NaN
6002  17/11/2019 6:00:00 PM         2019  ...         0.000000    NaN
6003  17/11/2019 6:00:00 PM         2019  ...         0.000000    NaN
6004  17/11/2019 6:00:00 PM         2019  ...         0.000000    NaN
6005  17/11/2019 6:00:00 PM         2019  ...         0.000000    NaN

[6006 rows x 153 columns]>

首先，我运行了一个查询，以根据其中一列过滤掉数据。 之后，我剩下了1500行数据，我需要根据2列对它们进行分组，并在第三列中求和。 这段代码似乎可以完成大部分工作：

grouped_data = data_drill.groupby(['PeriodStartDate', 'Blast'])
                                  ['Calc_DRILLING_Holes'].sum()

这就是我得到的结果：

In[9]: grouped_data
Out[9]: 
PeriodStartDate        Blast 
1/09/2019 6:00:00 AM   6317.0     70.786625
                       7253.0     60.964185
                       8140.0     41.540451
1/09/2019 6:00:00 PM   6317.0     77.692637
                       7253.0     66.911911
                       8140.0     45.593178
1/10/2019 6:00:00 AM   2040.0     50.791661
                       2379.0     90.084856
                       5271.0     66.029160
1/10/2019 6:00:00 PM   2040.0     42.119914
                       2379.0     98.873622
                       5271.0     72.471029
1/11/2019 6:00:00 AM   2376.0     96.204423

这正是我所需要的，但这里由于日期的格式不同，将一天的信息分为上午6点和下午6点。 我不需要这种分离，我需要整个24小时内的合并数据。

我尝试使用str.slice仅获取PeriodStartDate列的前10位数字，但似乎无法正确处理。

最后，如您在上面的输出中看到的那样，结果日期以一种奇怪的方式进行了排序-9月1日之后是10月1日，而其间有一个整月的日期。 有没有办法让它们正确排序？

提前致谢！

Answer 1

您可以使用str属性：

grouped_data = data_drill.groupby([data_drill['PeriodStartDate'].str[:9], 'Blast'])
                                  ['Calc_DRILLING_Holes'].sum()

假设您的索引将适用于所有日期。

或者，将该列转换为datetime然后使用data_drill['PeriodStartDate'].dt.date

Answer 2

如果该列是日期时间类型，最好将所有时间戳记一起删除，只保留日期

df['PeriodStartDate'] = df['PeriodStartDate'].dt.date

然后您就可以按日期分组。

如果它不是日期时间对象（如果您在切片时遇到问题，那么我怀疑它是），则可以通过将其转换来实现

pd.to_datetime(df.PeriodStartDate)

之后，要进行排序，您可以对分组依据之后的日期进行排序

df.groupby(['PeriodStartDate', 'Blast'])['Calc_DRILLING_Holes'].sum().reset_index().sort_values('PeriodStartDate')