pandas 基于日期的统计
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。
创新互联专注于企业营销型网站、网站重做改版、海南州网站定制设计、自适应品牌网站建设、H5高端网站建设、成都做商城网站、集团公司官网建设、外贸网站建设、高端网站制作、响应式网页设计等建站业务,价格优惠性价比高,为海南州等各大城市提供网站开发制作服务。
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"])
当前名称:pandas 基于日期的统计
标题URL:http://myzitong.com/article/dsojdcd.html