Python 3.x 基于日期的计算_Python 3.x_Pandas_Dataframe

Python 3.x 基于日期的计算

python-3.x pandas dataframe

Python 3.x 基于日期的计算,python-3.x,pandas,dataframe,Python 3.x,Pandas,Dataframe,我有这个数据框： a = [1, 2, 3, 4, 5] b = ['2019-08-01', '2019-09-01', '2019-10-23', '2019-11-12', '2019-11-30'] c = [12, 0, 0, 0, 0] d = [0, 23, 0, 0, 0] e = [12, 24, 35, 0, 0] f = [0, 0, 44, 56, 82] g = [21, 22, 17, 75, 63] df = pd.DataFrame({'ID': a, 'Dat

我有这个数据框：

a = [1, 2, 3, 4, 5]
b = ['2019-08-01', '2019-09-01', '2019-10-23', '2019-11-12', '2019-11-30']
c = [12, 0, 0, 0, 0]
d = [0, 23, 0, 0, 0]
e = [12, 24, 35, 0, 0]
f = [0, 0, 44, 56, 82]
g = [21, 22, 17, 75, 63]

df = pd.DataFrame({'ID': a, 'Date': b, 'Unit_sold_8': c, 
                  'Unit_sold_9': d, 'Unit_sold_10': e, 'Unit_sold_11': f, 
                   'Unit_sold_12': g})
df['Date'] = pd.to_datetime(df['Date'])

pd.concat([df,M],axis=1)

ID  Date    Unit_sold_8 Unit_sold_9 Unit_sold_10    Unit_sold_11     
 Unit_sold_12   Mean
0   1   2019-08-01  12  0   12  0   21  9.00
1   2   2019-09-01  0   23  24  0   22  17.25
2   3   2019-10-23  0   0   35  44  17  32.00
3   4   2019-11-12  0   0   0   56  75  65.50
4   5   2019-11-30  0   0   0   82  63  72.50

我想计算基于日期的每个ID的平均销售额。例如，如果ID的开放日期是9月，那么该ID的平均销售将从9月开始。我尝试了

np。选择，但我意识到这种方法将使我的代码变得超长
col = df.columns

mask1 = (df['Date'] >= "08/01/2019") & (df['Date'] < "09/01/2019")
mask2 = (df['Date'] >= "09/01/2019") & (df['Date'] < "10/01/2019")
mask3 = (df['Date'] >= "10/01/2019") & (df['Date'] < "11/01/2019")
mask4 = (df['Date'] >= "11/01/2019") & (df['Date'] < "12/01/2019")
mask5 = (df['Date'] >= "12/01/2019")

condition2 = [mask1, mask2, mask3, mask4, mask5]
result2 = [df[col[2:]].mean(skipna = True, axis = 1),
          df[col[3:]].mean(skipna = True, axis = 1),
          df[col[4:]].mean(skipna = True, axis = 1),
          df[col[5:]].mean(skipna = True, axis = 1),
          df[col[6:]].mean(skipna = True, axis = 1)]
df.loc[:, 'Mean'] = np.select(condition2, result2, default = np.nan)

col=df.columns
mask1=（df['Date']>=“2019年1月8日”）和（df['Date']<“2019年1月9日”）
mask2=（df['Date']>=“2019年1月9日”）和（df['Date']<“2019年1月10日”）
mask3=（df['Date']>=“2019年1月10日”）和（df['Date']<“2019年1月11日”）
mask4=（df['Date']>=“2019年1月11日”）和（df['Date']<“2019年1月12日”）
mask5=（df['Date']>=“2019年1月12日”）
条件2=[mask1，mask2，mask3，mask4，mask5]
结果2=[df[col[2:].平均值（skipna=True，axis=1），
df[col[3:].平均值（skipna=True，axis=1），
df[col[4:].平均值（skipna=True，axis=1），
df[col[5:].平均值（skipna=True，axis=1），
df[col[6:].平均值（skipna=True，axis=1）]
df.loc[：，'Mean']=np.select（条件2，结果2，默认值=np.nan）

有没有更快的办法解决这个问题？特别是当时间范围扩大时（12个月、24个月等等）
这对你有帮助吗
from datetime import datetime
import numpy as np
from dateutil import relativedelta


check_date = datetime.today()
df['n_months'] = df['Date'].apply(lambda x: relativedelta.relativedelta( check_date,x).months)
df['total'] = df.iloc[:,range(2,df.shape[1]-1)].sum(axis=1)
df['avg']  = df['total'] / df['n_months']

print(df)

   ID       Date  Unit_sold_8  ...  n_months  total    avg
0   1 2019-08-01           12  ...         5     45   9.00
1   2 2019-09-01            0  ...         4     69  17.25
2   3 2019-10-23            0  ...         3     96  32.00
3   4 2019-11-12            0  ...         2    131  65.50
4   5 2019-11-30            0  ...         2    145  72.50

这对你有帮助吗
from datetime import datetime
import numpy as np
from dateutil import relativedelta


check_date = datetime.today()
df['n_months'] = df['Date'].apply(lambda x: relativedelta.relativedelta( check_date,x).months)
df['total'] = df.iloc[:,range(2,df.shape[1]-1)].sum(axis=1)
df['avg']  = df['total'] / df['n_months']

print(df)

   ID       Date  Unit_sold_8  ...  n_months  total    avg
0   1 2019-08-01           12  ...         5     45   9.00
1   2 2019-09-01            0  ...         4     69  17.25
2   3 2019-10-23            0  ...         3     96  32.00
3   4 2019-11-12            0  ...         2    131  65.50
4   5 2019-11-30            0  ...         2    145  72.50

连接回原始数据帧：
a = [1, 2, 3, 4, 5]
b = ['2019-08-01', '2019-09-01', '2019-10-23', '2019-11-12', '2019-11-30']
c = [12, 0, 0, 0, 0]
d = [0, 23, 0, 0, 0]
e = [12, 24, 35, 0, 0]
f = [0, 0, 44, 56, 82]
g = [21, 22, 17, 75, 63]

df = pd.DataFrame({'ID': a, 'Date': b, 'Unit_sold_8': c, 
                  'Unit_sold_9': d, 'Unit_sold_10': e, 'Unit_sold_11': f, 
                   'Unit_sold_12': g})
df['Date'] = pd.to_datetime(df['Date'])

pd.concat([df,M],axis=1)

ID  Date    Unit_sold_8 Unit_sold_9 Unit_sold_10    Unit_sold_11     
 Unit_sold_12   Mean
0   1   2019-08-01  12  0   12  0   21  9.00
1   2   2019-09-01  0   23  24  0   22  17.25
2   3   2019-10-23  0   0   35  44  17  32.00
3   4   2019-11-12  0   0   0   56  75  65.50
4   5   2019-11-30  0   0   0   82  63  72.50

连接回原始数据帧：
a = [1, 2, 3, 4, 5]
b = ['2019-08-01', '2019-09-01', '2019-10-23', '2019-11-12', '2019-11-30']
c = [12, 0, 0, 0, 0]
d = [0, 23, 0, 0, 0]
e = [12, 24, 35, 0, 0]
f = [0, 0, 44, 56, 82]
g = [21, 22, 17, 75, 63]

df = pd.DataFrame({'ID': a, 'Date': b, 'Unit_sold_8': c, 
                  'Unit_sold_9': d, 'Unit_sold_10': e, 'Unit_sold_11': f, 
                   'Unit_sold_12': g})
df['Date'] = pd.to_datetime(df['Date'])

pd.concat([df,M],axis=1)

ID  Date    Unit_sold_8 Unit_sold_9 Unit_sold_10    Unit_sold_11     
 Unit_sold_12   Mean
0   1   2019-08-01  12  0   12  0   21  9.00
1   2   2019-09-01  0   23  24  0   22  17.25
2   3   2019-10-23  0   0   35  44  17  32.00
3   4   2019-11-12  0   0   0   56  75  65.50
4   5   2019-11-30  0   0   0   82  63  72.50

我在看你的计算——我得到第一行的平均值是9，但下一行是17.25？是不是应该是13.8？啊，因为在第二行，ID的开放日期是9月，所以平均值将包括9到12（包括0）的单位sold。在我的例子中，第二行的结果=（23+24+0+22）/4=17.25我在看ur的计算-我得到第一行的平均值是9，但下一行是17.25？是不是应该是13.8？啊，因为在第二行，ID的开放日期是9月，所以平均值将包括9到12（包括0）的单位sold。在我的例子中，第二行的结果=（23+24+0+22）/4=17.25对不起，我需要的结果已经在帖子中了，你可以运行并检查它我不理解你的代码-如果id-1从2019-08-01开始，总数是51，你如何计算平均值？在第一行，第一个id的平均值=（12+0+12+0+21）/5。在你的代码中，你添加了6，所以这不是我的意思。对不起，我需要的结果已经在帖子中了，你可以运行并检查它。我不理解你的代码-如果id-1从2019-08-01开始，总数是51，你如何计算平均值？在第一行，第一个id的平均值=（12+0+12+0+21）/5。在代码中添加6，所以这不是我的意思。