从excel读取3列数据，第一列是日期，有年月日时分秒，第二列是实际功率，第三列是预测功率，要求先将每日时间分为大发时段10点到16点，高峰时段6点到9点和17点到22点和普通时段0点到6点，9点到10点，16点到17点，22点到24点3种时段，对于实际功率小于10且预测功率小于的数据进行删除

首先需要使用Python的pandas库来读取Excel文件，并将第一列的日期转换为datetime对象：

import pandas as pd

# 读取Excel文件
df = pd.read_excel('example.xlsx')

# 将第一列日期转换为datetime对象
df['日期'] = pd.to_datetime(df['日期'])

接下来，可以使用apply函数来对日期进行分类。定义一个分类函数，将每个时间段分为大发、高峰、普通三种时段：

def classify_time(row):
    hour = row['日期'].hour
    if hour >= 10 and hour <= 16:
        return '大发时段'
    elif (hour >= 6 and hour <= 9) or (hour >= 17 and hour <= 22):
        return '高峰时段'
    else:
        return '普通时段'

# 对日期进行分类
df['时段'] = df.apply(classify_time, axis=1)

接下来，可以使用筛选条件来删除实际功率小于10且预测功率小于10的数据：

df = df[(df['实际功率'] >= 10) & (df['预测功率'] >= 10)]

然后，可以使用apply函数来计算ec和ec_a的值：

def calculate_ec(row):
    return abs(row['实际功率'] - row['预测功率']) / 4

def calculate_ec_a(row):
    ec = row['ec']
    A = (row['实际功率'] - row['预测功率']) / row['预测功率']
    if row['时段'] == '大发时段':
        if A > 0.25:
            return ec * 0.4
        elif A < -0.25:
            return ec * 0.6
    elif row['时段'] == '高峰时段':
        if A > 0.2:
            return ec * 0.5
        elif A < -0.2:
            return ec * 0.7
    else:
        if A > 0.1:
            return ec * 0.6
        elif A < -0.1:
            return ec * 0.8

# 计算ec和ec_a的值
df['ec'] = df.apply(calculate_ec, axis=1)
df['ec_a'] = df.apply(calculate_ec_a, axis=1)

最后，可以使用groupby函数来按时段计算ec_a的平均值：

result = df.groupby('时段')['ec_a'].mean()

这样就可以得到每个时段内ec_a的平均值了。