групповые данные по месяцам 6 лет

Рассмотрим образец фрейма данных df

np.random.seed([3,1415])

tidx = pd.date_range('2006-01-01', '2011-01-01', name='Date')

df = pd.DataFrame(dict(
        heure=pd.to_timedelta(np.random.randint(24*60*60, size=len(tidx))),
        lat=np.random.rand(len(tidx)) * 10 + 30,
        lon=np.random.rand(len(tidx)) * 10 - 20,
        impact=np.random.rand(len(tidx)),
        type=np.random.randint(3, size=len(tidx))
    ), tidx)

df.head()

                     heure    impact        lat        lon  type
Date                                                            
2006-01-01 00:00:00.000037  0.312643  39.324254 -14.715073     1
2006-01-02 00:00:00.000019  0.121450  30.560726 -10.879014     0
2006-01-03 00:00:00.000060  0.080082  38.489212 -11.899611     1
2006-01-04 00:00:00.000021  0.270159  34.832683 -14.924849     0
2006-01-05 00:00:00.000066  0.112194  32.193704 -19.083123     0

Используйте df.index.month для группировки по

df.groupby(df.index.month).size()

Date
1     156
2     141
3     155
4     150
5     155
6     150
7     155
8     155
9     150
10    155
11    150
12    155
dtype: int64

Вы можете делать все то, что обычно делаете с группой, с помощью... Вот пример использования

df.groupby(df.index.strftime('%B')).impact.describe()

      count      mean       std       min       25%       50%       75%       max
Date                                                                             
1     156.0  0.529216  0.279498  0.003298  0.292654  0.538437  0.774256  0.998507
2     141.0  0.501540  0.295111  0.001063  0.243723  0.491919  0.727560  0.999231
3     155.0  0.516168  0.306878  0.001178  0.227668  0.556316  0.783676  0.997126
4     150.0  0.472035  0.263685  0.004031  0.246738  0.491169  0.665894  0.987965
5     155.0  0.523897  0.320709  0.003486  0.221323  0.538594  0.841909  0.994280
6     150.0  0.542496  0.297215  0.003550  0.273098  0.589802  0.807086  0.995538
7     155.0  0.513857  0.285404  0.000933  0.285383  0.519170  0.746735  0.999551
8     155.0  0.516404  0.284407  0.004662  0.288900  0.545429  0.739392  0.996601
9     150.0  0.490965  0.299312  0.011958  0.206851  0.487708  0.737785  0.993217
10    155.0  0.513743  0.304779  0.010712  0.199390  0.563746  0.796143  0.995488
11    150.0  0.465428  0.271936  0.006345  0.221753  0.470793  0.684867  0.995886
12    155.0  0.498415  0.301704  0.004538  0.215730  0.471139  0.757360  0.997268

это сработает:

df["month"]=df["timestamp"].dt.month
df.groupby(["month"].size()

Я в основном использую ресемпл для этого.

Вот мои образцы:

import numpy as np
import pandas as pd
index = pd.date_range('2017/1/1', '2017/10/1')
df = pd.DataFrame(np.ones((274, 1)), index)
df
          0
2017-01-01  1.0
2017-01-02  1.0
...         ...
2017-09-29  1.0
2017-09-30  1.0
2017-10-01  1.0

df.resample('M').count()  # use resample to agg data
2017-01-31  31
2017-02-28  28
2017-03-31  31
2017-04-30  30
2017-05-31  31
2017-06-30  30
2017-07-31  31
2017-08-31  31
2017-09-30  30
2017-10-31   1