pd.Grouper专用于时间频率分组，需配合groupby使用，要求时间列为datetime64[ns]类型，支持freq如'1T''1H'等，可混合其他列分组，时区、类型、对齐方式须准确设置。
pd.Grouper 的核心用途是时间频率分组，不是通用分组器
它专为 DateTimeIndex 或含时间列的 DataFrame 设计，不能替代普通字符串列分组。如果你的列是 object 类型（比如字符串格式的 '2023-01-01 10:30:45'），必须先用 pd.to_datetime() 转成 datetime64[ns]，否则 pd.Grouper 会静默失败或报 TypeError: No frequency。
常见错误现象：分组后结果为空、行数没变、或抛出 ValueError: freq not specified —— 基本都是类型没转对，或传了错误的列名。
- 确认时间列类型：
df['ts'].dtype应为datetime64[ns] - 若列名是
'time'，别写成key='Time'（大小写敏感） -
pd.Grouper必须配合groupby()使用，不能单独调用
按分钟聚合：freq='1T' 或 freq='60S' 都可以，但推荐 '1T'
freq 参数支持 pandas 时间频率别名，'1T'（1 minute）比 '60S' 更常用且语义清晰。注意：它默认按时间戳“左边界”对齐（即每分钟从 :00 开始），例如 2023-01-01 10:30:00 到 2023-01-01 10:30:59.999 内的所有记录归入同一组。
示例（按分钟聚合均值）：
df.groupby(pd.Grouper(key='ts', freq='1T')).mean()
- 如果想右对齐（以 :59 结束），加
closed='right'和label='right' - 若原始数据有缺失分钟，结果中对应行默认为 NaN；加
dropna=False不会补全，需用.resample()+.asfreq() - 聚合列若含非数值类型（如字符串），
.mean()会跳过，改用.agg({'val': 'mean', 'event': 'first'})
按小时聚合：freq='1H' 是标准写法，注意时区影响
freq='1H' 表示自然小时（如 00:00–00:59、01:00–01:59），但如果时间列带时区（如 UTC 或 'Asia/Shanghai'），分组边界会按该时区计算。本地无时区的时间会被当作 UTC 处理，可能导致意外偏移。
示例（带时区的安全做法）：
df['ts'] = pd.to_datetime(df['ts']).dt.tz_localize('Asia/Shanghai')<br>df.groupby(pd.Grouper(key='ts', freq='1H')).sum()
- 不指定时区时，
pd.Grouper不会自动推断，容易和系统本地时间混淆 -
freq='60T'和'1H'等价，但可读性差，不建议 - 跨天聚合（如每天 9:00–17:00）不能靠
freq实现，得先用dt.hour.between(9,16)构造辅助列再分组
和 resample 的区别：groupby + Grouper 更灵活，但 resample 更简洁
如果你的数据索引已经是 DatetimeIndex，直接用 df.resample('1T').mean() 更短。但 pd.Grouper 的优势在于：支持多级 groupby（如同时按设备 ID 和每小时）、支持非索引时间列、可与其他列混合分组。
典型混合场景：
df.groupby(['device_id', pd.Grouper(key='ts', freq='1H')]).agg({'temp': 'max', 'humidity': 'mean'})
-
resample要求索引是时间，pd.Grouper不要求 - 混合分组时，
pd.Grouper的key参数必须明确指向时间列名，不能省略 - 性能上，两者底层都走相同路径，差异可忽略；但
resample对单时间维度更直观，不易错
df['ts'].head().dt.floor('1H') 手动看几行对齐逻辑，比盲调 freq 参数可靠得多。 
