Python 如何将每月数据拆分为每周数据并保留现有数据？

我希望将每月数据拆分为每周数据，并使用每周所指的相同每月值填充每周行

这些变量是我需要处理的。 “开始日期”非空datetime64[ns] “结束日期”非空datetime64[ns]

import pandas as pd
df = pd.read_excel("file")
import pandas as pd
import math, datetime
d1 = datetime.date(yyyy, mm, dd)

d2 = datetime.date(yyyy, mm, dd)
h = []
while d1 <= d2: 
    print(d1) 
    d1 = d1 + datetime.timedelta(days=7) 

    h.append(d1)

df = pd.Series(h)
print(df)

这就是我想要的：

weekly date       price    model
 2013-01-01        1000    blue
 2013-01-01        598     blue
 2013-01-08        1000    blue
 2013-01-08        598     blue
 2013-01-15        156     red
 2013-01-22        156     red

如下所示：

转换为

pd.to\u datetime（）

从

开始时间

列创建字典：

使用

pd.date\u range（）

结束时间相同：

根据开始时间和
ffill（）
映射
data
列，直到下一个
start time
到达：

我将假设数据集中的
开始日期
和
结束日期
从不重叠。我还要假设你的例子是正确的，因为它与你的话相矛盾。这不是月度数据，而是双月数据。此代码应在任何频率下工作

 # creates some sample data
 df = pd.DataFrame(data={'starting date':pd.to_datetime(['2019-01-01','2019-01-15','2019-02-01','2019-02-15']),
                                 'data':[1,2,3,4]})

 # Hold the stant and end dates of the new df
 d1 = pd.datetime(2019,1,1)
 d2 = pd.datetime(2019,2,28)

 # Create a new DF to hold results
 new_df = pd.DataFrame({'date':pd.DatetimeIndex(start=d1,end=d2,freq='w')})

 # Merge based on the closest start date.
 result = pd.merge_asof(new_df,df,left_on='date',right_on='starting date')

你的话和你的例子不一样。您有要转换为每周数据的月度数据或双月数据吗？此外，我们不知道您的边缘情况可能是什么。原始数据中是否存在开始日期和结束日期可能重叠的情况？如果数据如图所示为每两周一次，请参考以下答案事实上数据不是每两周一次。我想合并开始日期和结束日期之间的间隔，并每周获取一次。Polkaguy6000。您有要转换为每周数据的月度数据或双月数据吗？是的，这就是我想要的。但我有500个观察结果和15个专栏。例如，从2013-01-01到2013-01-14有两个星期。好吧，我希望每周有一个新列，其中两行的值相同，因为从2013-01-01到2013-01-07和2013-01-08到2013-01-14都有相同的值。@miguelmedina那么14列是日期，1列是数据？我的答案对你有用吗？关于这个方法的问题。不确定性能是否是一个因素，但为了我将来的参考，在这个上下文中，
map
是矢量化的。我的答案是使用合并。不确定哪一个会更快，而且我没有足够大的数据集来测试它。是的，因为map是一个熊猫方法，它是矢量化的，应该足够快。这还假设
start date
是日期时间，如果不是，则必须使用
pd.to_datetime（）
将其转换为另一个答案所建议的日期时间。
df[['starting date','ending date']] = df[['starting date','ending date']].apply(pd.to_datetime)

d=dict(zip(df['starting date'],df.data))
#{Timestamp('2013-01-01 00:00:00'): 20, Timestamp('2013-01-15 00:00:00'): 21}

df_new = pd.DataFrame(pd.date_range(df['starting date'].iloc[0],df['ending date'].iloc[-1],freq='W-TUE'),columns=['StartDate'])

df_new['EndDate']=pd.date_range(df['starting date'].iloc[0],df['ending date'].iloc[-1],freq='W-MON')

df_new['data']=df_new.StartDate.map(d).ffill()
print(df_new)

   StartDate    EndDate  data
0 2013-01-01 2013-01-07  20.0
1 2013-01-08 2013-01-14  20.0
2 2013-01-15 2013-01-21  21.0
3 2013-01-22 2013-01-28  21.0

 # creates some sample data
 df = pd.DataFrame(data={'starting date':pd.to_datetime(['2019-01-01','2019-01-15','2019-02-01','2019-02-15']),
                                 'data':[1,2,3,4]})

 # Hold the stant and end dates of the new df
 d1 = pd.datetime(2019,1,1)
 d2 = pd.datetime(2019,2,28)

 # Create a new DF to hold results
 new_df = pd.DataFrame({'date':pd.DatetimeIndex(start=d1,end=d2,freq='w')})

 # Merge based on the closest start date.
 result = pd.merge_asof(new_df,df,left_on='date',right_on='starting date')