วิธีจัดกลุ่มตามเดือนใน pandas dataframe (พร้อมตัวอย่าง)
คุณสามารถใช้ไวยากรณ์พื้นฐานต่อไปนี้เพื่อจัดกลุ่มแถวตามเดือนใน DataFrame ของแพนด้า:
df. groupby (df. your_date_column . dt . month )[' values_column ']. sum ()
สูตรเฉพาะนี้จัดกลุ่มแถวตามวันที่ใน your_date_column และคำนวณผลรวมของค่าสำหรับ values_column ใน DataFrame
โปรดทราบว่าฟังก์ชัน dt.month() จะแยกเดือนออกจากคอลัมน์วันที่ในรูปหมีแพนด้า
ตัวอย่างต่อไปนี้แสดงวิธีใช้ไวยากรณ์นี้ในทางปฏิบัติ
ตัวอย่าง: วิธีจัดกลุ่มตามเดือนใน Pandas
สมมติว่าเรามี DataFrame แพนด้าต่อไปนี้ซึ่งแสดงยอดขายของบริษัทในวันที่ต่างกัน:
import pandas as pd
#createDataFrame
df = pd. DataFrame ({' date ': pd.date_range (start=' 1/1/2020 ', freq=' W ', periods= 10 ),
' sales ': [6, 8, 9, 11, 13, 8, 8, 15, 22, 9],
' returns ': [0, 3, 2, 2, 1, 3, 2, 4, 1, 5]})
#view DataFrame
print (df)
date sales returns
0 2020-01-05 6 0
1 2020-01-12 8 3
2 2020-01-19 9 2
3 2020-01-26 11 2
4 2020-02-02 13 1
5 2020-02-09 8 3
6 2020-02-16 8 2
7 2020-02-23 15 4
8 2020-03-01 22 1
9 2020-03-08 9 5
ที่เกี่ยวข้อง: วิธีสร้างช่วงวันที่ในนุ่น
เราสามารถใช้ไวยากรณ์ต่อไปนี้เพื่อคำนวณผลรวมของยอดขายโดยจัดกลุ่มตามเดือน:
#calculate sum of sales grouped by month
df. groupby (df. date . dt . month )[' sales ']. sum ()
date
1 34
2 44
3 31
Name: sales, dtype: int64
ต่อไปนี้เป็นวิธีการตีความผลลัพธ์:
- ยอดขายรวมในเดือนที่ 1 (มกราคม) อยู่ที่ 34
- ยอดขายรวมในเดือนที่ 2 (กุมภาพันธ์) อยู่ที่ 44
- ยอดขายรวมที่ทำในเดือนที่ 3 (มีนาคม) อยู่ที่ 31
เราสามารถใช้ไวยากรณ์ที่คล้ายกันเพื่อคำนวณมูลค่าการขายสูงสุดที่จัดกลุ่มตามเดือน:
#calculate max of sales grouped by month
df. groupby (df. date . dt . month )[' sales ']. max ()
date
1 11
2 15
3 22
Name: sales, dtype: int64
เราสามารถใช้ไวยากรณ์ที่คล้ายกันเพื่อคำนวณค่าใดๆ ที่เราต้องการจัดกลุ่มตามค่ารายเดือนของคอลัมน์วันที่
หมายเหตุ : คุณสามารถดูเอกสารฉบับเต็มของการดำเนินการ GroupBy ใน pandas ได้ที่นี่
แหล่งข้อมูลเพิ่มเติม
บทช่วยสอนต่อไปนี้จะอธิบายวิธีดำเนินการทั่วไปอื่น ๆ ในแพนด้า:
นุ่น: วิธีคำนวณผลรวมสะสมต่อกลุ่ม
Pandas: วิธีนับค่าที่ไม่ซ้ำตามกลุ่ม
นุ่น: วิธีคำนวณความสัมพันธ์ตามกลุ่ม