分析时间序列数据时，按照日期的维度进行统计几乎是必备的需求。
基于pandas，可以方便的进行各种日期维度（年份，季度，月，周等等）的统计，不用去遍历每行数据去统计。
创新互联专注于企业营销型网站、网站重做改版、海南州网站定制设计、自适应品牌网站建设、H5高端网站建设、成都做商城网站、集团公司官网建设、外贸网站建设、高端网站制作、响应式网页设计等建站业务，价格优惠性价比高，为海南州等各大城市提供网站开发制作服务。
演示数据来源一些销售数据，可以点击 这里 下载。
每行数据包括日期，国家，城市，地区，销售额和利润等字段，我们主要使用日期，销售额和利润3个字段。
下面的演示代码，我是在 jupyter notebook 中运行的。
导入数据比较简单，下载的压缩包解压后，有个excel文件，可以通过 pandas 直接导入。
import pandas as pd
xlsx_path = "./通讯产品销售数据.xlsx"
df_sales = pd.read_excel(xlsx_path, sheet_name="SalesData")
df_sales
df_sales.dtypes
df_year_sales = df_sales[["日期", "地区","销售额", "利润"]].copy(deep=True)
df_year_sales["日期"] = df_year_sales["日期"].apply(lambda x: x.year)
df_year_sales.groupby(["日期", "地区"]).sum()
df_quarter_sales = df_sales[["日期", "地区", "销售额", "利润"]].copy(deep=True)
df_quarter_sales["日期"] = df_quarter_sales["日期"].apply(lambda x: "{}Q{}".format(x.year, x.quarter))
df_quarter_sales.groupby(["日期", "地区"]).sum()
df_month_sales = df_sales[["日期", "地区", "销售额", "利润"]].copy(deep=True)
df_month_sales["日期"] = df_month_sales["日期"].apply(lambda x: "{}-{}".format(x.year, x.month))
df_month_sales.groupby(["日期", "地区"]).sum()
# 周的数据比较多，这里只取2020年的数据
df_week_sales = df_sales[["日期", "地区", "销售额", "利润"]].copy(deep=True)
df_week_sales = df_week_sales[df_week_sales["日期"] > '2019-12-31']
df_week_sales["日期"] = df_week_sales["日期"].apply(lambda x: "{}年第{:02d}周".format(x.year, x.week))
df_week_sales.groupby(["日期", "地区"]).sum().sort_values(["日期"])
