Java教程

pandas 基于日期的统计

本文主要是介绍pandas 基于日期的统计,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

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。

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

image.png

df_sales.dtypes

image.png

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()

image.png

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()

image.png

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()

image.png

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"])

image.png

这篇关于pandas 基于日期的统计的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!