Python 比较熊猫的相对开始日期

我想使用Pandas透视表的输出创建一个相对开始日期表。透视表的列是月，行是帐户，单元格是正在运行的操作总数。例如：

Date1     Date2     Date3     Date4
1         1             2         3
N/A       1             2         2

第一行的第一个实例是Date1。 第二行的第一个实例是Date2

新表的格式将使列现在是相对于第一个操作的月份，并且看起来像：

FirstMonth     SecondMonth     ThirdMonth
1                 1             2
1                 2             2

---

在pandas中，创建初始数据透视表是一项艰巨的任务，我很好奇是否有任何关于如何开发相对起点表的建议。谢谢大家!

首先，确保数据帧列是实际的日期时间值。然后，您可以运行以下操作来计算每个日期的操作总和，然后按月对这些值进行分组，并计算相应的每月总和：

>>>df

2019-01-01  2019-01-02  2019-02-01
Row
0             4          22          40
1            22          67          86
2            72          27          25
3             0          26          60
4            44          62          32
5            73          86          81
6            81          17          58
7            88          29          21

如果你想让它反映你在上面所做的：

>>> out = df.sum().groupby(df.sum().index.month).sum().to_frame().T
>>> out.columns = [datetime.datetime.strftime(datetime.datetime.strptime(str(x),'%m'),'%B') for x in out.columns]
>>> out
   January  February
0      720      403

如果我误解了你的意思，你想通过记录/行来说明：

>>> df.T.groupby(df.T.index.month).sum().T
1   2
Row
0     26  40
1     89  86
2     99  25
3     26  60
4    106  32
5    159  81
6     98  58
7    117  21

---

如上所述重命名列。

首先，确保数据帧列是实际的日期时间值。然后，您可以运行以下操作来计算每个日期的操作总和，然后按月对这些值进行分组，并计算相应的每月总和：

>>>df

2019-01-01  2019-01-02  2019-02-01
Row
0             4          22          40
1            22          67          86
2            72          27          25
3             0          26          60
4            44          62          32
5            73          86          81
6            81          17          58
7            88          29          21

如果你想让它反映你在上面所做的：

>>> out = df.sum().groupby(df.sum().index.month).sum().to_frame().T
>>> out.columns = [datetime.datetime.strftime(datetime.datetime.strptime(str(x),'%m'),'%B') for x in out.columns]
>>> out
   January  February
0      720      403

如果我误解了你的意思，你想通过记录/行来说明：

>>> df.T.groupby(df.T.index.month).sum().T
1   2
Row
0     26  40
1     89  86
2     99  25
3     26  60
4    106  32
5    159  81
6     98  58
7    117  21

如上所述重命名列。

诀窍是将.apply（）与dropna（）结合使用

诀窍是将.apply（）与dropna（）结合使用

---

df.diff（axis=1）

？所以从第一个表到第二个表是一个问题？@ALollz，正确。我现在有第一张表，我想把它转换成第二张表。我想我能想到的任何东西基本上都是它的副本。应用

sorted

是一个简洁但缓慢的解决方案。否则，您可以使用

justify

解决方案，类似于：

pd.DataFrame（justify（df.to_numpy（），invalid_val='N/A'））

df.diff（axis=1）

？所以从第一个表到第二个表是问题？@ALollz，正确。我现在有第一张表，我想把它转换成第二张表。我想我能想到的任何东西基本上都是它的副本。应用

sorted

是一个简洁但缓慢的解决方案。否则，您可以使用

justify

解决方案，类似于：

pd.DataFrame（justify（df.to_numpy（），invalid_val='N/A'））

因此，我实际上是在尝试保持原始数据未聚合。最终状态是，我将有一个表，其中每个列都是第一个月/第二个月/第三个月，因此我可以查看每个帐户在相同相对时间段内的趋势（即，在month1和month2之间，帐户增加活动。month2到month3减少活动，等等）。您看到底部的更新了吗？我相信它完成了你想要的，按行给出了每月的总数

df.T.groupby（df.T.index.month）.sum（）.T

因此，我实际上是在试图保持原始数据未聚合。最终状态是，我将有一个表，其中每个列都是第一个月/第二个月/第三个月，因此我可以查看每个帐户在相同相对时间段内的趋势（即，在month1和month2之间，帐户增加活动。month2到month3减少活动，等等）。您看到底部的更新了吗？我相信它完成了你想要的，按行给出了每月的总数<代码>df.T.groupby（df.T.index.month）.sum（）.T