假设我每小时的事件数如下：
np.random.seed(42)
idx = pd.date_range('2017-01-01', '2017-01-14', freq='1H')
df = pd.DataFrame(np.random.choice([1,2,3,4,5,6], size=idx.shape[0]), index=idx, columns=['count'])
df.head()
Out[3]:
count
2017-01-01 00:00:00 4
2017-01-01 01:00:00 5
2017-01-01 02:00:00 3
2017-01-01 03:00:00 5
2017-01-01 04:00:00 5
如果我想知道一周中每天的事件总数，可以执行以下任一操作：
df.pivot_table(values='count', index=df.index.dayofweek, aggfunc='sum')
或
df.groupby(df.index.dayofweek).sum()
两种收益率：
Out[4]:
count
0 161
1 170
2 164
3 133
4 169
5 98
6 172
但是，如果要计算每个工作日的平均事件数，请执行以下操作
df.pivot_table(values='count', index=df.index.dayofweek, aggfunc='mean') # [#1]
错了！！此方法使用总和（如上计算），并将其除以一周中每天出现的小时数。
我找到的解决办法是：
df_by_day = df.resample('1d').sum()
df_by_day.pivot_table(values='count', index=df_by_day.index.dayofweek, aggfunc='mean')
也就是说，首先重新采样到天，然后旋转它。不知怎的，我觉得这种方法很自然有没有更像蟒蛇的方法来达到我想要的为什么没有重采样的平均值计算错误？
最佳答案
Resample first using df.resample and then df.groupby
df = df.resample('1d').sum()
print(df)
count
2017-01-01 92
2017-01-02 86
2017-01-03 86
2017-01-04 90
2017-01-05 64
2017-01-06 82
2017-01-07 97
2017-01-08 80
2017-01-09 75
2017-01-10 84
2017-01-11 74
2017-01-12 69
2017-01-13 87
2017-01-14 1
out = df.groupby(df.index.dayofweek)['count'].mean()
print(out)
1 85.0
2 82.0
3 66.5
4 84.5
5 49.0
6 86.0
Name: count, dtype: float64