如何使用 Python/Pandas 从日期字段按月分组

Posted 2023-03-11

【中文标题】如何使用 Python/Pandas 从日期字段按月分组

【英文标题】：How can I group by month from a date field using Python and Pandas?

【发布时间】：2017-12-08 01:39:21

【问题描述】：

我有一个数据框 df，如下所示：

| date      | Revenue |
|-----------|---------|
| 6/2/2017  | 100     |
| 5/23/2017 | 200     |
| 5/20/2017 | 300     |
| 6/22/2017 | 400     |
| 6/21/2017 | 500     |

我需要将以上数据按月分组，得到输出为：

| date | SUM(Revenue) |
|------|--------------|
| May  | 500          |
| June | 1000         |

我试过这段代码，但没有用：

df.groupby(month('date')).agg('Revenue': 'sum')

我只想使用 Pandas 或 Numpy，不想使用其他库

【问题讨论】：

df.groupby(pd.Grouper(key='Date',freq='M')).agg('Revenue':'sum')，这里假设日期列的数据类型是日期时间

【参考方案1】：

试试这个：

In [6]: df['date'] = pd.to_datetime(df['date'])

In [7]: df
Out[7]: 
        date  Revenue
0 2017-06-02      100
1 2017-05-23      200
2 2017-05-20      300
3 2017-06-22      400
4 2017-06-21      500



In [59]: df.groupby(df['date'].dt.strftime('%B'))['Revenue'].sum().sort_values()
Out[59]: 
date
May      500
June    1000

【讨论】：

赞成，因为这是正确格式化date 列的唯一答案

仅供参考，这为您提供了一个日期字符串列，它既不高效也不有用（作为真正的重采样/时间分组）

@shivsn：这可以按日期升序排序吗（May-500，然后是 June -1000）？

你所说的df是什么意思。如何导入df？？

@Ragulan28 df 是 DateFrame 的名称。例如 df = pd.read_csv('file.csv')

【参考方案2】：

使用熊猫Grouper尝试分组：

df = pd.DataFrame('date':['6/2/2017','5/23/2017','5/20/2017','6/22/2017','6/21/2017'],'Revenue':[100,200,300,400,500])
df.date = pd.to_datetime(df.date)
dg = df.groupby(pd.Grouper(key='date', freq='1M')).sum() # groupby each 1 month
dg.index = dg.index.strftime('%B')

     Revenue
 May    500
June    1000

【讨论】：

这似乎是性能和一般可用性之间的最佳组合

这是最有用的，因为月份是按顺序聚合的。这应该是最佳答案。

如果您的日期跨年，这将不起作用。然后，不再是每个月只有一行（比如上面的 5 月和 6 月），而是每年有多个 5 月和 6 月。

【参考方案3】：

对于多行的 DataFrame，使用strftime 会占用更多时间。如果日期列已经有datetime64[ns]的dtype（可以使用pd.to_datetime()进行转换，或者在csv导入时指定parse_dates等），可以直接访问groupby标签的datetime属性（方法三）。加速是巨大的。

import numpy as np
import pandas as pd

T = pd.date_range(pd.Timestamp(0), pd.Timestamp.now()).to_frame(index=False)
T = pd.concat([T for i in range(1,10)])
T['revenue'] = pd.Series(np.random.randint(1000, size=T.shape[0]))
T.columns.values[0] = 'date'

print(T.shape) #(159336, 2)
print(T.dtypes) #date: datetime64[ns], revenue: int32

方法一：strftime

%timeit -n 10 -r 7 T.groupby(T['date'].dt.strftime('%B'))['revenue'].sum()

每个循环 1.47 秒 ± 10.1 毫秒（7 次运行的平均值 ± 标准偏差，每次 10 个循环）

方法二：石斑鱼

%timeit -n 10 -r 7 T.groupby(pd.Grouper(key='date', freq='1M')).sum()
#NOTE Manually map months as integer 01..12 to strings

每个循环 56.9 毫秒 ± 2.88 毫秒（7 次运行的平均值 ± 标准偏差，每次 10 次循环）

方法3：日期时间属性

%timeit -n 10 -r 7 T.groupby(T['date'].dt.month)['revenue'].sum()
#NOTE Manually map months as integer 01..12 to strings

每个循环 34 毫秒 ± 3.34 毫秒（7 次运行的平均值 ± 标准偏差，每次 10 次循环）

【讨论】：

请注意，如果您有超过 1 年的数据，则方法 1 和 3 会对其进行聚合，而方法 2 则不会。此外，方法 1 的结果按字母顺序排序。

如何按升序排列输出？因为它现在是数组而不是 df

【参考方案4】：

这样会更好。

试试这个：

#explicitly convert to date
df['Date'] = pd.to_datetime(df['Date'])
# set your date column as index 
df.set_index('Date',inplace=True) 

# For monthly use 'M', If needed for other freq you can change.
df[revenue].resample('M').sum()

此代码给出的结果与@shivsn 在第一篇文章中的回答相同。

但问题是我们可以在上面提到的代码中做更多的操作。 推荐使用这个：

>>> df['Date'] = pd.to_datetime(df['Date'])
>>> df.set_index('Date',inplace=True)
>>> df['withdrawal'].resample('M').sum().sort_values()
Date
2019-10-31     28710.00
2019-04-30     31437.00
2019-07-31     39728.00
2019-11-30     40121.00
2019-05-31     46495.00
2020-02-29     57751.10
2019-12-31     72469.13
2020-01-31     76115.78
2019-06-30     76947.00
2019-09-30     79847.04
2020-03-31     97920.18
2019-08-31    205279.45
Name: withdrawal, dtype: float64

@shivsn 代码的作用相同。

>>> df.groupby(df['Date'].dt.strftime('%B'))['withdrawal'].sum().sort_values()
Date
October       28710.00
April         31437.00
July          39728.00
November      40121.00
May           46495.00
February      57751.10
December      72469.13
January       76115.78
June          76947.00
September     79847.04
March         97920.18
August       205279.45
Name: withdrawal, dtype: float64

【讨论】：

当groupby 工作正常时，为什么必须将日期设置为DataFrame 索引？如果重复相同的日期会发生什么？我还将日期格式视为第一步，即投票率最高的答案，因为从问题中不清楚该列是否会正确格式化。

要么是重复的，要么是唯一的，它将汇总所有这些值。它的作用与 groupby 相同。除了 groupby 选项之外，通过将日期列设置为索引，您可以执行更多基本操作。谢谢。

【参考方案5】：

试试这个：

将日期列更改为日期时间格式。

--->df['Date'] = pd.to_datetime(df['Date'])

在数据框中插入新行，月份为->[May, 'June']

--->df['months'] = df['date'].apply(lambda x:x.strftime('%B'))

---> 这里 x 是取自数据框中日期列的日期。

现在汇总月份列上的汇总数据并对收入求和。

--->response_data_frame = df.groupby('months')['Revenue'].sum()

---->print(response_data_frame)

输出-：

| month | Revenue |

|-------|---------|

| May   | 500     |

| June  | 1000    |

【参考方案6】：

df['Month'] = pd.DatetimeIndex(df['date']).month_name()

使用这个你应该得到

date	Revenue	Month
6/2/2017	100	June
5/23/2017	200	May
5/20/2017	300	May
6/22/2017	400	June
6/21/2017	500	June