您可以使用重采样或
Grouper（在后台重采样）。
首先，请确保datetime列实际上是datetimes（用命中
pd.to_datetime）。如果它是DatetimeIndex会更容易：
In [11]: df1Out[11]: abc xyzDate2013-06-01 100 2002013-06-03 -20 502013-08-15 40 -52014-01-20 25 152014-02-21 60 80In [12]: g = df1.groupby(pd.Grouper(freq="M")) # DataframeGroupBy (grouped by Month)In [13]: g.sum()Out[13]: abc xyzDate2013-06-30 80 2502013-07-31 NaN NaN2013-08-31 40 -52013-09-30 NaN NaN2013-10-31 NaN NaN2013-11-30 NaN NaN2013-12-31 NaN NaN2014-01-31 25 152014-02-28 60 80In [14]: df1.resample("M", how='sum') # the sameOut[14]: abc xyzDate2013-06-30 40 1252013-07-31 NaN NaN2013-08-31 40 -52013-09-30 NaN NaN2013-10-31 NaN NaN2013-11-30 NaN NaN2013-12-31 NaN NaN2014-01-31 25 152014-02-28 60 80注意：以前的
pd.Grouper(freq="M")写为
pd.TimeGrouper("M")。从0.21开始不推荐使用后者。我曾以为以下方法会起作用，但不会（由于
as_index未得到尊重？我不确定。）。出于兴趣考虑，我将其包括在内。
如果它是一列（必须是datetime64列！就像我说的那样，
to_datetime用来打它），则可以使用PeriodIndex：
In [21]: dfOut[21]: Date abc xyz0 2013-06-01 100 2001 2013-06-03 -20 502 2013-08-15 40 -53 2014-01-20 25 154 2014-02-21 60 80In [22]: pd.DatetimeIndex(df.Date).to_period("M") # old wayOut[22]:<class 'pandas.tseries.period.PeriodIndex'>[2013-06, ..., 2014-02]Length: 5, Freq: MIn [23]: per = df.Date.dt.to_period("M") # new way to get the sameIn [24]: g = df.groupby(per)In [25]: g.sum() # dang not quite what we want (doesn't fill in the gaps)Out[25]: abc xyz2013-06 80 2502013-08 40 -52014-01 25 152014-02 60 80为了获得理想的结果，我们必须重新索引…
