all_events = [
    200.0, 420.0, 560.0, 1100.0, 1900.0, 2700.0, 3400.0, 3900.0, 4234.2, 4800.0]

def get_events_by_hour(all_events):
    return [
        len([x for x in all_events if int(x/3600.0) == hour]) 
        for hour in xrange(24)
    ]

print get_events_by_hour(all_events)

请注意，all_events应包含一天的事件。

采样是指在特定的离散时间t_i上采集数据f_i（样本）。每个时间单位的样本数给出了采样率。下采样是重采样的一种特殊情况，它意味着将采样的数据Map到不同的采样点集t_i'上，这里是Map到采样率更小的采样点上，使样本更粗糙。
您的第一个列表包含采样点t_i（单位为秒），并间接包含与索引i对应的事件数n_i，例如n_i = i + 1。
如果你偶尔减少列表，在周期性的时间T（单位是秒）之后，你会在时间t_i' = i * T重新采样到一个新的集合n_i'。我没有写下采样，因为在时间T内可能什么都没有发生，这意味着上采样，因为你现在需要更多的数据点。
对于计算，检查输入列表是否为空，如果是，则n' = 0应进入输出列表。否则，输入列表中有m项，随时间测量T，可以使用以下等式：
n' = m * 3600 / T个
上面的n'将进入您的输出列表，这是按每小时事件数缩放的。

这个问题有scipy标记，而scipy依赖于numpy，所以我假设使用numpy的答案是可以接受的。
要获得与时间戳t相关的小时数，可以取t/3600的整数部分。然后，要获得每个小时内的事件数，可以计算这些整数出现的次数。numpy函数bincount可以为您完成此操作。
下面是一个用于计算的简单的一行程序。我把时间戳放在一个简单的数组t中：

In [49]: t = numpy.array([200.0, 420.0, 560.0, 1100.0, 1900.0, 2700.0, 3400.0, 3900.0, 4234.2, 4800.0, 8300.0, 8400.0, 9500.0, 10000.0, 14321.0, 15999.0, 16789.0, 17000.0])

In [50]: t
Out[50]: 
array([   200. ,    420. ,    560. ,   1100. ,   1900. ,   2700. ,
         3400. ,   3900. ,   4234.2,   4800. ,   8300. ,   8400. ,
         9500. ,  10000. ,  14321. ,  15999. ,  16789. ,  17000. ])

计算结果如下：

In [51]: numpy.bincount((t/3600).astype(int))
Out[51]: array([7, 3, 4, 1, 3])