标签:week 基于 df sales month 日期 year pandas
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
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"])
标签:week,基于,df,sales,month,日期,year,pandas 来源: https://www.cnblogs.com/wang_yb/p/15856256.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。