Python Dataframe：按日期分组并按类型求和答案

【问题标题】：Python Dataframe: grouping by date and summing by typePython Dataframe：按日期分组并按类型求和
【发布时间】：2020-08-25 10:17:36
【问题描述】：

我有一个数据框，我想按日期（每天或每周）分组，以及两个不同类别的总和

data = {'Date' : ['2020-08-20','2020-08-20','2020-08-21','2020-08-21',
        '2020-08-22','2020-08-22'],
        'Name' : ['Ben','Ben','Ben','Sam','Sam','Sam'],
        'Sales ($)' : [10,5,2,5,6,7]
       }

df=pd.DataFrame(data, columns = ['Date','Name','Sales ($)'])

让它看起来像这样：

grouped_data = {'Date' : ['2020-08-20','2020-08-21','2020-08-22'],
               'Ben' : [15,2,0],
               'Sam' : [0,5,13],
               }

df=pd.DataFrame(grouped_data, columns = ['Date','Ben','Sam'])

【问题讨论】：

这看起来适合 pivot, pd.pivot_table(df,index=["Date"],values=["Sales ($)"],columns=["Name"],aggfunc=[sum]).fillna(0.0)
那么...它有用/有帮助吗？

标签： python dataframe pandas-groupby

【解决方案1】：

第一组'Date' 和 'Name'

df.groupby(['Date', 'Name']).sum().unstack(-1).replace(
    np.nan, 0).droplevel(axis=1, level=0)

然后获取sum。 unstack 将名称（在最后一个索引级别）设置为列，replace np.nan 带有零，最后 droplevel 将 'Sales ($)' 从列中删除-MultiIndex。

结果如下：

# Out:
Name         Ben   Sam
Date                  
2020-08-20  15.0   0.0
2020-08-21   2.0   5.0
2020-08-22   0.0  13.0

假设您想按周或月分组，我建议将'Date' 列解析为datetime：

df['Date_dt'] = pd.to_datetime(df['Date'])

现在您可以每周或每月提取日期分组：

# weekly grouper
date_grouper = df['Date_dt'].dt.week
# monthly grouper
date_grouper = df['Date_dt'].dt.month

并使用此分组器来获取您的每周/每月分组：

df.groupby([date_grouper, 'Name']).sum().unstack(-1).replace(
    np.nan, 0).droplevel(axis=1, level=0)

当然，用新的 datetime 日期替换 'Date' 列也可以将其设置为索引。但是在将其设置为索引时，您必须省略访问dt 属性，f.i. date_grouper = df.index.week

将日期解析为datetime 还允许使用其他groupers，例如day、dayofweek、dayofyear、hour、minute、second、weekday...

【讨论】：

太好了，谢谢。是否有可能更进一步——当我有几个月和几个月的数据时，我可以做同样的事情，但按周或月分组吗？例如。使用 Grouper 功能？
不客气！当然，这应该很容易。您能否在您的问题中添加一些用于每月分组的示例数据？

【解决方案2】：

这应该适合你：

df.groupby(['Date','Name']).sum().reset_index()

如果您想添加每周、每天的频率，首先将您的日期列转换为 datetime ： df['Date'] = pd.to_datetime(df['Date']) 然后你可以在这里添加你的频率（W 每周和D每天..）

df.groupby([pd.Grouper(key="Date", freq="D"),'Name']).sum().reset_index()

【讨论】：