pandas中时间分组运算最稳方式是用pd.Grouper配合groupby或resample：需确保时间列为datetime64类型，可设索引后用pd.Grouper(freq='D')，或不改索引时指定key参数；resample适用于等频聚合（如每日均值），但会丢原始行，且必须设时间列为索引。
直接用 pandas.Grouper 配合 resample 或 groupby 是最稳的路，别手写时间切片逻辑——容易漏边界、时区错乱、或把跨天数据劈断。
用 pd.Grouper 按固定周期分组（如每天/每小时）
这是最常用也最可靠的自动拆分方式，前提是你的时间列是 datetime64 类型且已设为索引，或明确传入 key 参数。
常见错误：直接对字符串时间列 groupby('time')，结果按字面值分组，不是按时间周期。
- 先确保时间列类型正确：
df['timestamp'] = pd.to_datetime(df['timestamp']) - 设为索引后用
Grouper：df.set_index('timestamp').groupby(pd.Grouper(freq='D')).apply(...) - 不想改索引？用
key：df.groupby(pd.Grouper(key='timestamp', freq='2H')) -
freq支持'D'（日）、'W'（周）、'M'（月末）、'MS'（月初）、'30T'（30分钟）等，注意'M'和'MS'行为差异很大
用 resample 做等频重采样（适合聚合，不保留原始行）
resample 本质是带时间对齐的 groupby，但默认会丢原始行、只留聚合结果。如果目标是“拆成多个子集”，它不如 Grouper 直观；但如果要统计每日均值、每小时最大值，它更简洁。
立即学习“Python免费学习笔记（深入）”；
典型误用：对非数值列直接 resample('D').sum()，报 TypeError: dtype datetime64[ns] not supported。
- 必须先设时间列为索引：
df.set_index('timestamp').resample('D').mean() - 混合类型列？用
agg显式指定：.resample('D').agg({'value': 'mean', 'category': 'first'}) - 想保留原始数据结构？别用
resample，回到Grouper+apply(list)或list(group)
手动切分时绕不开的三个坑
有人坚持用布尔索引（如 df[(df.t >= '2023-01-01') & (df.t ），短期可行，但长期维护成本高，尤其涉及夏令时、时区、不规则周期时极易出错。
- 时间字符串没带时区，但数据实际是 UTC：
pd.to_datetime('2023-01-01')默认本地时区，和df.timestamp.dt.tz_localize('UTC')对不上 - 用
strftime截日期再分组？df['date'] = df.timestamp.dt.strftime('%Y-%m-%d')→ 类型变 object，后续无法做时间运算，也丢失精度 - 跨年/跨月切分用
between_time？它只看时分秒，忽略日期，完全不适合按天拆分
真正难的不是写哪一行代码，而是确认你的「周期起点」在哪——比如按自然日切分，但业务要求从中午12点开始算一天，这时 freq='D' 就不对了，得用 freq='24H' 加 origin 参数，或者自定义 offset。这个细节几乎没人查文档，但一出问题就很难定位。
