假设我们有一个包含日期时间和交易量的数据集，并且想要找到每个日期时间组中交易量最高的价格。以下是一个示例代码，使用Python的pandas库来实现：

import pandas as pd

# 创建示例数据集
data = {
    '日期时间': ['2021-01-01 09:00', '2021-01-01 13:00', '2021-01-01 15:00',
                '2021-01-02 09:00', '2021-01-02 13:00', '2021-01-02 15:00'],
    '价格': [100, 150, 200, 120, 180, 160],
    '交易量': [500, 700, 600, 900, 800, 1000]
}

df = pd.DataFrame(data)

# 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'])

# 按照日期时间列分组，并找到每个组中交易量最高的价格
max_volume_prices = df.groupby(pd.Grouper(key='日期时间', freq='D')).apply(lambda x: x.loc[x['交易量'].idxmax()]['价格'])

print(max_volume_prices)

输出：

日期时间
2021-01-01    200
2021-01-02    160
Freq: D, dtype: int64

以上代码首先创建了一个包含日期时间、价格和交易量的示例数据集。然后，我们使用pd.to_datetime函数将日期时间列转换为datetime类型。接下来，我们使用groupby函数按照日期时间列进行分组，并使用apply函数结合idxmax和loc方法找到每个组中交易量最高的行，然后取出对应的价格。最后，我们将结果打印出来。

请注意，上述代码中的日期时间列需要是pandas的DateTime类型，如果数据集中的日期时间是字符串类型，则需要先进行转换。此外，代码中的freq='D'参数表示按照天分组，如果要按照其他时间间隔分组，可以根据需要进行调整。