成功做到了：

b = pd.read_csv('b.dat')
b.index = pd.to_datetime(b['date'],format='%m/%d/%y %I:%M%p')
b.groupby(by=[b.index.month, b.index.year])

或者

b.groupby(pd.Grouper(freq='M'))  # update for v0.21+

（更新日期：2018年）

请注意，pd.Timegrouper已折旧并将被删除。请改用：

df.groupby(pd.Grouper(freq='M'))

要按时间序列数据进行groupby，可以使用方法resample。例如，要按月份进行groupby：

df.resample(rule='M', on='date')['Values'].sum()

您可以在此处找到偏移别名列表。

避免MultiIndex的一个解决方案是创建一个新的datetime列，设置day = 1，然后按此列分组。

正常化每月的日期

df = pd.DataFrame({'Date': pd.to_datetime(['2017-10-05', '2017-10-20', '2017-10-01', '2017-09-01']),
                   'Values': [5, 10, 15, 20]})

# normalize day to beginning of month, 4 alternative methods below
df['YearMonth'] = df['Date'] + pd.offsets.MonthEnd(-1) + pd.offsets.Day(1)
df['YearMonth'] = df['Date'] - pd.to_timedelta(df['Date'].dt.day-1, unit='D')
df['YearMonth'] = df['Date'].map(lambda dt: dt.replace(day=1))
df['YearMonth'] = df['Date'].dt.normalize().map(pd.tseries.offsets.MonthBegin().rollback)

然后正常使用groupby：

g = df.groupby('YearMonth')

res = g['Values'].sum()

# YearMonth
# 2017-09-01    20
# 2017-10-01    30
# Name: Values, dtype: int64

与pd.Grouper的比较

与pd.Grouper不同的是，这种解决方案的微妙好处是grouper索引被标准化为每个月的 * 开始 * 而不是结束，因此您可以通过get_group轻松地提取组：

some_group = g.get_group('2017-10-01')

计算10月的最后一天稍微麻烦一些。pd.Grouper，从v0.23开始，确实支持convention参数，但这只适用于PeriodIndex石斑鱼。

与字符串转换比较

上述方法的替代方法是转换为字符串，例如将datetime 2017-10-XX转换为string '2017-10'。但是，不建议这样做，因为与object字符串系列（存储为指针数组）相比，datetime系列（存储为内部连续内存块中的数值数据）的效率优势将全部丧失。

与@jpp的解决方案略有不同，但输出的是YearMonth字符串：

df['YearMonth'] = pd.to_datetime(df['Date']).apply(lambda x: '{year}-{month}'.format(year=x.year, month=x.month))

res = df.groupby('YearMonth')['Values'].sum()