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，要求先按照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，计算实际功率与预测功率的差值除以预测功率这个数值，然后再求和每日的总值，最后按照日统计到一起

好的，我理解了你的问题。这个问题可以通过Python中的pandas库和datetime库来解决。下面是实现的代码：

import pandas as pd
import datetime

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

# 将日期时间列转换为datetime类型
df['日期时间'] = pd.to_datetime(df['日期时间'])

# 根据时间将数据分为不同的时段
def get_time_period(hour):
    if hour >= 0 and hour < 6:
        return '普通时段'
    elif hour >= 6 and hour < 9:
        return '高峰时段'
    elif hour >= 9 and hour < 10:
        return '普通时段'
    elif hour >= 10 and hour < 16:
        return '大发时段'
    elif hour >= 16 and hour < 17:
        return '普通时段'
    elif hour >= 17 and hour < 22:
        return '高峰时段'
    else:
        return '普通时段'

df['时段'] = df['日期时间'].apply(lambda x: get_time_period(x.hour))

# 计算实际功率与预测功率的差值除以预测功率
df['差值比'] = (df['实际功率'] - df['预测功率']) / df['预测功率']

# 按日期和时段分组并计算每日的总值
df_grouped = df.groupby([pd.Grouper(key='日期时间', freq='D'), '时段']).sum().reset_index()

# 输出结果
print(df_grouped)

上面的代码中，我们首先使用pandas库的`read_excel()`函数读取Excel文件。然后，我们使用`pd.to_datetime()`函数将日期时间列转换为datetime类型。接着，我们定义了一个函数`get_time_period()`，用于将每个时间点分为不同的时段。我们使用`apply()`函数将该函数应用到日期时间列上，并将结果存储在新的`时段`列中。

接下来，我们计算实际功率与预测功率的差值除以预测功率，并将结果存储在新的`差值比`列中。

最后，我们使用`groupby()`函数按日期和时段分组，并使用`sum()`函数计算每日的总值。我们使用`reset_index()`函数重置索引，并将结果存储在新的`df_grouped`数据框中。

最终，我们输出了按日统计的结果。