我重新关注了我的问题，并尽可能具体。下面，我还包括了到目前为止我使用过的代码；
(1( 当从SQL中提取数据时，我的时间是混合格式的，其中包含一个很难处理的字母。为了避免这方面的问题，我试着申请；df.time=pd.to_timedelta(df.time，unit='ms'(，这很好，因为不知道如何提取小时和分钟。实例2019.11.22D01:18:00.01000，我只需要有以下格式的"时间"列01:18:00.01000。也许我可以使用"np.datetime64"将所有SQL时间条目转换为所需格式，并截断所需的字符数？请通知团队。我还尝试了'data=np.datetime64('time'(，但得到了'在位置0解析日期时间字符串"time"时出错'。
(2( 我试图根据两个因素对下面的数据进行分组，首先是"数据2"，然后是"时间"。这是因为我的数据不会按以下顺序排列，而是按随机顺序排列。我得到："DataFrameGroupBy"不可调用。这是因为我有重复的data2值吗？你能帮我找出原因吗？
(3( 因此，在我将数据按"data2"one_answers"时间"分组后，然后，我需要在预定义的时间间隔内(即[0=10ms(、[10-20ms(对数据进行bin，因此行0,1,2将属于[0-10ms(bin。因此，我需要能够首先定义这些bin(我将有一组固定的bin(。然后，对于下一个"data2"更改(例如，从55更改为56(，我们将开始时间设置为0，并根据从0到data2再次更改所经过的时间对行数据进行bin。等等。我该如何编码呢？我最困难的地方是将计时器设置为"0"，并在"data2"值不变的情况下为每行引用"time"。然后，当"data2"发生变化时，重新开始，相应地对数据进行装箱。
以下是我迄今为止使用的代码；
import pyodbc
import pandas as pd
import numpy as np
conn = pyodbc.connect('Driver={SQL Server};'
'Server=XXXXXXXXX;'
'Database=Dynamics;'
'Trusted_Connection=yes;')
cursor = conn.cursor()
SQL_Query = pd.read_sql_query('''select ID,time,data1,data2,data3,data4,data5 from Dynamics''', conn)
df = pd.DataFrame(SQL_Query, columns=['ID','time','data2','data3','data4','data5'])
df.time=pd.to_timedelta(df.time, unit='ms')
df[['data4']] = df[['data4']].apply(pd.to_numeric)
df['diff']=df['data4']-df['data5']
df['diff']=df['diff'].abs()
df=df.groupby(['data3','time'])
print(df)
time data_1 data_2 data_3 data_4 data_5
0 2019-11-22 01:18:00.010 a 55 A 1.20 1.24
1 2019-11-22 01:18:00.090 a 55 B 1.25 1.24
2 2019-11-22 01:18:00.100 a 55 C 1.26 1.24
3 2019-11-22 01:18:00.140 a 55 A 1.22 1.22
4 2019-11-22 01:18:00.160 a 55 B 1.23 1.22
Pandas具有日期范围的强大功能。下面是一个创建一分钟范围的示例，每行都有一个新的毫秒(这也是索引(。
import pandas as pd
from datetime import timedelta
import numpy as np
date_rng = pd.date_range(start='2019-11-22T01:18:00.00100', end='2019-11-22T01:19:00.00000', freq='ms') #one minute, in milliseconds
n = len(date_rng) # n = 60000
values = np.random.random(n) # make n random numbers
df = pd.DataFrame({'values': values}, index=date_rng)
print ('dataframe: ')
print (df.head())
这是df:的负责人
dataframe:
values
2019-11-22 01:18:00.001 0.914796
2019-11-22 01:18:00.002 0.760555
2019-11-22 01:18:00.003 0.132992
2019-11-22 01:18:00.004 0.572391
2019-11-22 01:18:00.005 0.090188
接下来，Pandas有一个很好的重采样功能，在本例中，它将10ms仓中的值相加。
df2 = df.resample(rule=timedelta(milliseconds=10)).sum() # df2 sums the values in 10 ms bins
print ('beginning of df2')
print (df2.head())
print ('...')
print (df2.tail())
这是输出：
beginning of df2
values
2019-11-22 01:18:00.000 5.236037
2019-11-22 01:18:00.010 4.446964
2019-11-22 01:18:00.020 6.549635
2019-11-22 01:18:00.030 5.141522
2019-11-22 01:18:00.040 5.375919
...
values
2019-11-22 01:18:59.960 3.876523
2019-11-22 01:18:59.970 4.864252
2019-11-22 01:18:59.980 5.690987
2019-11-22 01:18:59.990 2.787247
2019-11-22 01:19:00.000 0.613545
请注意，最后一个值要小得多，因为只表示了1ms。