大佬教程收集整理的这篇文章主要介绍了pandas 基于日期的统计，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。

概要

分析时间序列数据时，按照日期的维度进行统计几乎是必备的需求。
基于pandas，可以方便的进行各种日期维度（年份，季度，月，周等等）的统计，不用去遍历每行数据去统计。

@H_944_5@示例-销售数据统计

演示数据来源一些销售数据，可以点击 这里 下载。
​

每行数据包括日期，国家，城市，地区，销售额和利润等字段，我们主要使用日期，销售额和利润3个字段。
​

下面的演示代码，我是在 jupyter notebook 中运行的。

导入数据

导入数据比较简单，下载的压缩包解压后，有个excel文件，可以通过 pandas 直接导入。

import pandas as pd

xLSX_path = "./通讯产品销售数据.xLSX"

df_SALEs = pd.read_excel(xLSX_path, sheet_name="SALEsData")
df_SALEs

df_SALEs.dtypes

按【年份】统计

df_year_SALEs = df_SALEs[["日期", "地区","销售额", "利润"]].copy(deep=TruE)

df_year_SALEs["日期"] = df_year_SALEs["日期"].apply(lambda x: x.year)
df_year_SALEs.groupby(["日期", "地区"]).sum()

按【季度】统计

df_quarter_SALEs = df_SALEs[["日期", "地区", "销售额", "利润"]].copy(deep=TruE)

df_quarter_SALEs["日期"] = df_quarter_SALEs["日期"].apply(lambda x: "{}Q{}".format(x.year, x.quarter))
df_quarter_SALEs.groupby(["日期", "地区"]).sum()

按【月份】统计

df_month_SALEs = df_SALEs[["日期", "地区", "销售额", "利润"]].copy(deep=TruE)

df_month_SALEs["日期"] = df_month_SALEs["日期"].apply(lambda x: "{}-{}".format(x.year, x.month))
df_month_SALEs.groupby(["日期", "地区"]).sum()

按【周】统计

# 周的数据比较多，这里只取2020年的数据
df_week_SALEs = df_SALEs[["日期", "地区", "销售额", "利润"]].copy(deep=TruE)
df_week_SALEs = df_week_SALEs[df_week_SALEs["日期"] > '2019-12-31']

df_week_SALEs["日期"] = df_week_SALEs["日期"].apply(lambda x: "{}年第{:02D}周".format(x.year, x.week))
df_week_SALEs.groupby(["日期", "地区"]).sum().sort_values(["日期"])

大佬总结

以上是大佬教程为你收集整理的pandas 基于日期的统计全部内容，希望文章能够帮你解决pandas 基于日期的统计所遇到的程序开发问题。

如果觉得大佬教程网站内容还不错，欢迎将大佬教程推荐给程序员好友。

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。