在 pandas.Grouper() 中，freq 参数用于指定时间频率，它定义了如何对时间序列数据进行分组。freq 的值可以是多种时间单位

在 pandas.Grouper() 中，freq 参数用于指定时间频率，它定义了如何对时间序列数据进行分组。freq 的值可以是多种时间单位，具体包括以下几类：

常见的时间频率 (freq) 取值：

1. 日频率（Daily）

• 'D'：按天分组。

2. 周频率（Weekly）

• 'W'：按周分组，默认从星期天开始。
• 'W-MON', 'W-TUE', …, 'W-SUN'：按周分组，指定周的起始日期（比如 'W-MON' 表示从周一开始的周）。

3. 月频率（Monthly）

• 'M'：按月分组，通常指从每月的最后一天开始。
• 'MS'：按月开始分组，即从每月的第一天开始。
• 'B'：按工作日（月内的工作日）分组。

4. 季节频率（Quarterly）

• 'Q'：按季度分组，通常指每年四个季度的最后一天。
• 'QS'：按季度开始分组，即从每个季度的第一天开始。
• 'Q-JAN', 'Q-FEB', …, 'Q-DEC'：按指定的季度开始时间分组。

5. 年频率（Yearly）

• 'A' 或 'Y'：按年分组，通常指每年的最后一天。
• 'AS' 或 'YS'：按年开始分组，即从每年的第一天开始。
• 'A-JAN', 'A-FEB', …, 'A-DEC'：按指定月份开始的年度分组。

6. 小时、分钟、秒（Hourly, Minute, Second）

• 'H'：按小时分组。
• 'T' 或 'min'：按分钟分组。
• 'S'：按秒分组。
• 'L' 或 'ms'：按毫秒分组。
• 'U' 或 'us'：按微秒分组。

7. 自定义频率（Custom Frequencies）

• 'B'：按工作日分组（排除周末）。
• 'CB'：按日历工作日分组（排除周六和周日，包含假期）。
• 'WOM-1MON'、'WOM-2MON'：按周的某个位置分组（例如第一个周一，第二个周一等）。

8. 其他一些特殊频率（Extra Frequencies）

• 'BM'：按工作日的月度频率分组。
• 'CBM'：按日历工作日的月度频率分组。
• 'MS'：按月的开始日分组。
• 'Q-JAN'：按季度的开始月份分组。

举例：

import pandas as pd

# 创建一个时间序列数据
data = {
    'date': pd.date_range('2023-01-01', periods=10, freq='D'),
    'value': [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
}
df = pd.DataFrame(data)

# 按月分组（freq='M'）
monthly_group = df.groupby(pd.Grouper(key='date', freq='M')).sum()
print(monthly_group)

# 按季度分组（freq='Q'）
quarterly_group = df.groupby(pd.Grouper(key='date', freq='Q')).sum()
print(quarterly_group)

# 按年分组（freq='A'）
yearly_group = df.groupby(pd.Grouper(key='date', freq='A')).sum()
print(yearly_group)

# 按周分组（freq='W'）
weekly_group = df.groupby(pd.Grouper(key='date', freq='W')).sum()
print(weekly_group)

# 按小时分组（freq='H'）
hourly_group = df.groupby(pd.Grouper(key='date', freq='H')).sum()
print(hourly_group)

常用频率总结：

选择频率时的注意点：

• freq 参数适用于时间数据列（datetime64 类型），因此输入的数据必须是时间序列数据。
• 可以通过 pd.date_range() 创建包含时间戳的 DataFrame，并用不同的 freq 值来演示不同的分组方式。

通过这些不同的频率，你可以轻松地对时间序列数据进行按天、周、月、季度、年等不同粒度的聚合和分析，帮助在实际项目中进行更精细的数据分析。