每周一组python pandas数据框架（从周一开始）。

7 人关注

我有一个每天都有数值的数据框架（见下面的df）。我想将 "预测 "字段按周分组，但以周一为一周的第一天。

目前我可以通过pd.TimeGrouper('W')来做（见下面的df_final），但它将一周的时间从周日开始分组（见下面的df_final）。

import pandas as pd
data = [("W1","G1",1234,pd.to_datetime("2015-07-1"),8),
        ("W1","G1",1234,pd.to_datetime("2015-07-30"),2),
        ("W1","G1",1234,pd.to_datetime("2015-07-15"),2),
        ("W1","G1",1234,pd.to_datetime("2015-07-2"),4),
        ("W1","G2",2345,pd.to_datetime("2015-07-5"),5),
        ("W1","G2",2345,pd.to_datetime("2015-07-7"),1),
        ("W1","G2",2345,pd.to_datetime("2015-07-9"),1),
        ("W1","G2",2345,pd.to_datetime("2015-07-11"),3)]
labels = ["Site","Type","Product","Date","Forecast"]
df = pd.DataFrame(data,columns=labels).set_index(["Site","Type","Product","Date"])
                              Forecast
Site Type Product Date                
W1   G1   1234    2015-07-01         8
                  2015-07-30         2
                  2015-07-15         2
                  2015-07-02         4
     G2   2345    2015-07-05         5
                  2015-07-07         1
                  2015-07-09         1
                  2015-07-11         3
df_final = (df
     .reset_index()
     .set_index("Date")
     .groupby(["Site","Product",pd.TimeGrouper('W')])["Forecast"].sum()
     .astype(int)
     .reset_index())
df_final["DayOfWeek"] = df_final["Date"].dt.dayofweek
df_final
  Site  Product       Date  Forecast  DayOfWeek
0   W1     1234 2015-07-05        12          6
1   W1     1234 2015-07-19         2          6
2   W1     1234 2015-08-02         2          6
3   W1     2345 2015-07-05         5          6
4   W1     2345 2015-07-12         5          6


         1
         
         个评论


         python


         pandas


         datetime


         pandas-groupby


        2
        
        个回答


          已采纳


         0
         
         人赞同


          
           Use
           
            W-MON
           
           instead
           
            W
           
           , check
           
            锚定的偏移量
           
           :
          
          df_final = (df
     .reset_index()
     .set_index("Date")
     .groupby(["Site","Product",pd.Grouper(freq='W-MON')])["Forecast"].sum()
     .astype(int)
     .reset_index())
df_final["DayOfWeek"] = df_final["Date"].dt.dayofweek
print (df_final)
  Site  Product       Date  Forecast  DayOfWeek
0   W1     1234 2015-07-06        12          0
1   W1     1234 2015-07-20         2          0
2   W1     1234 2015-08-03         2          0
3   W1     2345 2015-07-06         5          0
4   W1     2345 2015-07-13         5          0


           
            
             
              TimeGrouper
             
             is
             
              现已弃用


          
           
            对于这个问题，我有三个解决方案，如下所述。首先，我应该说明，以前接受的答案是不正确的。原因是这样的。
           
           # let's create an example df of length 9, 2020-03-08 is a Sunday
s = pd.DataFrame({'dt':pd.date_range('2020-03-08', periods=9, freq='D'),
                  'counts':0})
这个分组器实际上是按照我们的要求进行分组的（周一到周日），但是在 "dt "上标注了一周的结束时间，而不是开始时间。所以，为了得到我们想要的东西，我们可以将索引移动6天，比如。
w = s.groupby(pd.Grouper(key='dt', freq='W')).count()
w.index -= pd.Timedelta(days=6)
或者，我们也可以这样做。
s.groupby(pd.Grouper(key='dt',freq='W-Mon',label='left',closed='left')).count()
第三种解决方案，可以说是最易读的一种，是先将dt转换为周期，然后分组，最后（如果需要）再转换回时间戳。
s.groupby(s.dt.dt.to_period('W'))['counts'].count().to_timestamp()
# a variant of this solution is: s.set_index('dt').to_period('W').groupby(pd.Grouper(freq='W')).count().to_timestamp()
所有这些解决方案都返回了OP所要求的东西。