你想要什么还不清楚，也许你可以把groupby和resample结合起来：

r = df.groupby('Item').resample('30T', on='AgentTimeStamp', origin='start', label='right')

out = (r.last()
        .assign(Value=lambda d: d[['Value']].sub(r[['Value']].first()))
        .reset_index('AgentTimeStamp')[df.columns]
      )

字符串
输出量：

index                   Item  Value AgentStatus      AgentTimeStamp
Item                                                                                      
Channel1.Device1.Tag1      2  Channel1.Device1.Tag1      1        good 2023-07-28 13:39:00
Channel1.Device1.Tag2     39  Channel1.Device1.Tag2    878         bad 2023-07-28 13:39:00

型

假设您希望每个项目的观察值有30分钟的窗口差，您可以使用自连接来实现它。这个函数适用于我的案例，所以我希望它能有所帮助：

def get_lagged_df(df: pd.DataFrame,
              id_col: str ='id',
              time_col: str = 'time',
              val_col: str = 'val',
              display_na_rows: bool = True) -> pd.DataFrame:

# Self join based on the ID
joined_df = pd.merge(df, df, on = id_col, suffixes = ('_end', '_start'))

# Keep only the rows where end time is above the start time
joined_df = joined_df[joined_df[f'{time_col}_end'] > joined_df[f'{time_col}_start']]

# Lambda function for getting differences between end time and start time in minutes
lambda_func = lambda row: int((pd.to_datetime(row[f'{time_col}_end']) - pd.to_datetime(row[f'{time_col}_start']))
                              .seconds / 60)

# Get the time differences in minutes between end time and start time
joined_df[f'{time_col}_difference'] = joined_df.apply(lambda_func, axis = 1)

# Kepp only the rows where the time difference is 30 minutes -> 30 min. window
joined_df = joined_df[joined_df[f'{time_col}_difference'] == 30]

# Get the difference between the first observation and last observation of 30 min. window
joined_df[f'{val_col}_difference'] = joined_df[f'{val_col}_end'] - joined_df[f'{val_col}_start']

# Appending N/A rows (i.e., rows which don't have any start times, hence no time and val differences)
if display_na_rows:
    df_w_na_rows = df.rename(columns = {f'{val_col}': f'{val_col}_end', f'{time_col}':f'{time_col}_end'})

    joined_df = pd.merge(df_w_na_rows,
                         joined_df.drop(f'{val_col}_end', axis = 1),
                         on = [id_col, f'{time_col}_end'],
                         how = 'left',
                        )

# Adjusting columns' and rows' orders
joined_df = (joined_df[[id_col, f'{time_col}_start', f'{time_col}_end', f'{time_col}_difference',
                        f'{val_col}_start', f'{val_col}_end', f'{val_col}_difference']]
             .sort_values(by=[id_col, f'{time_col}_end'])
             .reset_index(drop = True)
            )

return joined_df

字符串
假设您拥有以下格式的数据：
| 瓦尔|计时器| time |
| --|--| ------------ |
| 0.638129| 2019 -01- 21 00：00：00| 2023-01-01 00:00:00 |
| 047401| 2019 -01- 21 00：01：00| 2023-01-01 00:01:00 |
| 0.781685| 2023-01-01 00：02：00| 2023-01-01 00:02:00 |
| 0.839184| 2023-01-01 00：03：00| 2023-01-01 00:03:00 |
| 0.526894| 2023-01-01 00：04：00| 2023-01-01 00:04:00 |
| ……|..................||
| 0.370669| 2019 -01- 22 00：00：00| 2023-01-01 00:56:00 |
| 0.565692| 2019 -01- 22 00：00：00| 2023-01-01 00:57:00 |
| 0.121998| 2019 -01- 18 00：00：00| 2023-01-01 00:58:00 |
| 0.872352| 2019 -01- 22 00：00：00| 2023-01-01 00:59:00 |
| 0.624171| 2023-01-02 01：00：00| 2023-01-02 01:00:00 |
其中时间戳00：00和00：30中的ID 1的值如下：
| 瓦尔|计时器| time |
| --|--| ------------ |
| 0.638129| 2019 -01- 21 00：00：00| 2023-01-01 00:00:00 |
| 0.184684| 2023-01-01 00：30：00| 2023-01-01 00:30:00 |
当应用函数而不显示缺失值的行（即，没有开始时间的行，因此也没有差异）时，我们得到每个ID的观察值在时间$t$和时间$t-30$之间的差异：

get_lagged_df(df, display_na_rows = False)

型
| 时间启动|时间结束|时差|瓦尔_start|瓦尔end|瓦尔差| val_difference |
| --|--|--|--|--|--| ------------ |
| 2019 -01- 21 00：00：00| 2023-01-01 00：30：00|三十|0.638129| 0.184684| -0.453445 | -0.453445 |
| 2019 -01- 21 00：01：00| 2023-01-01 00：31：00|三十|047401| 0.613936| 0.566535| 0.566535 |
| 2023-01-01 00：02：00| 2023-01-01 00：32：00|三十|0.781685| 0.865400| 0.083714| 0.083714 |
| 2023-01-01 00：03：00| 2023-01-01 00：33：00|三十|0.839184| 089480| -0.749704 | -0.749704 |
| 2023-01-01 00：04：00| 2023-01-01 00：34：00|三十|0.526894| 0.541837| 0.014943| 0.014943 |
| ......这是什么？|......这是什么？|......这是什么？|......这是什么？|......这是什么？|......这是什么？| ... |
| 2023-01-01 00：26：00| 2019 -01- 22 00：00：00|三十|0.812442| 0.370669| -0.441773 | -0.441773 |
| 2023-01-01 00：27：00| 2019 -01- 22 00：00：00|三十|0.352933| 0.565692| 0.212759| 0.212759 |
| 2023-01-01 00：28：00| 2019 -01- 18 00：00：00|三十|186111| 0.121998| -0.064113 | -0.064113 |
| 2023-01-01 00：29：00| 2019 -01- 22 00：00：00|三十|0.671967| 0.872352| 0.200385| 0.200385 |
| 2023-01-01 00：30：00| 2023-01-02 01：00：00|三十|008082| 0.624171| 0.616090| 0.616090 |
如果我们想保留没有开始时间的行，只需将display_na_rows参数更改为True：

get_lagged_df(df, display_na_rows = True)

型
| 时间启动|时间结束|时差|瓦尔_start|瓦尔end|瓦尔差| val_difference |
| --|--|--|--|--|--| ------------ |
| NaT| 2019 -01- 21 00：00：00| NaN| NaN| 0.638129| NaN| NaN |
| NaT| 2019 -01- 21 00：01：00| NaN| NaN| 047401| NaN| NaN |
| NaT| 2023-01-01 00：02：00| NaN| NaN| 0.781685| NaN| NaN |
| NaT| 2023-01-01 00：03：00| NaN| NaN| 0.839184| NaN| NaN |
| NaT| 2023-01-01 00：04：00| NaN| NaN| 0.526894| NaN| NaN |
| ......这是什么？|......这是什么？|......这是什么？|......这是什么？|......这是什么？|......这是什么？| ... |
| 2023-01-01 00：26：00| 2019 -01- 22 00：00：00| 30.0| 0.812442| 0.370669| -0.441773 | -0.441773 |
| 2023-01-01 00：27：00| 2019 -01- 22 00：00：00| 30.0| 0.352933| 0.565692| 0.212759| 0.212759 |
| 2023-01-01 00：28：00| 2019 -01- 18 00：00：00| 30.0| 186111| 0.121998| -0.064113 | -0.064113 |
| 2023-01-01 00：29：00| 2019 -01- 22 00：00：00| 30.0| 0.671967| 0.872352| 0.200385| 0.200385 |
| 2023-01-01 00：30：00| 2023-01-02 01：00：00| 30.0| 008082| 0.624171| 0.616090| 0.616090 |