Python酷库之旅-第三方库Pandas(067)

于 2024-08-06 02:00:00 发布
阅读量337 收藏 9
点赞数 8
分类专栏： Myelsa的Python酷库之旅 文章标签： python pandas 开发语言 人工智能 标准库及第三方库 excel 学习与成长
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ygb_1024/article/details/140887718
版权

目录

一、用法精讲

266、pandas.Series.dt.second属性

266-1、语法

266-2、参数

266-3、功能

266-4、返回值

266-5、说明

266-6、用法

266-6-1、数据准备

266-6-2、代码示例

266-6-3、结果输出

267、pandas.Series.dt.microsecond属性

267-1、语法

267-2、参数

267-3、功能

267-4、返回值

267-5、说明

267-6、用法

267-6-1、数据准备

267-6-2、代码示例

267-6-3、结果输出

268、pandas.Series.dt.nanosecond属性

268-1、语法

268-2、参数

268-3、功能

268-4、返回值

268-5、说明

268-6、用法

268-6-1、数据准备

268-6-2、代码示例

268-6-3、结果输出

269、pandas.Series.dt.dayofweek属性

269-1、语法

269-2、参数

269-3、功能

269-4、返回值

269-5、说明

269-6、用法

269-6-1、数据准备

269-6-2、代码示例

269-6-3、结果输出

270、pandas.Series.dt.weekday属性

270-1、语法

270-2、参数

270-3、功能

270-4、返回值

270-5、说明

270-6、用法

270-6-1、数据准备

270-6-2、代码示例

270-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

266、pandas.Series.dt.second属性
266-1、语法
# 266、pandas.Series.dt.second属性
pandas.Series.dt.second
The seconds of the datetime.
266-2、参数

        无

266-3、功能

        用于从包含datetime对象的pandas系列中提取秒数。

266-4、返回值

        返回一个包含每个datetime元素的秒数部分的Series对象。

266-5、说明

        使用场景：

266-5-1、详细时间分析：需要对时间戳数据进行详细分析时，可以使用dt.second提取秒数。例如，分析每天不同秒数的分布情况。

266-5-2、时间过滤：根据秒数进行数据过滤。例如，筛选出在特定秒数发生的事件。

266-5-3、特征工程：在机器学习或数据挖掘中，将秒数作为特征之一，进行模型训练和预测。

266-5-4、性能优化：在时间序列数据处理中，提取秒数可以帮助进行更细粒度的性能分析和优化。

266-5-5、日志分析：在分析服务器日志或其他时间戳数据时，提取秒数可以帮助识别特定秒数内的访问模式或事件。

266-6、用法
266-6-1、数据准备
无
266-6-2、代码示例
# 266、pandas.Series.dt.second属性
# 266-1、详细时间分析
import pandas as pd
# 创建一个包含10个时间戳的Series，每个时间戳间隔1秒
data = pd.Series(pd.date_range("2024-01-01", periods=10, freq="s"))
# 提取秒数
seconds = data.dt.second
print("详细时间分析-秒数部分:")
print(seconds, end='\n\n')

# 266-2、时间过滤
import pandas as pd
# 创建一个包含100个时间戳的Series，每个时间戳间隔1秒
data = pd.Series(pd.date_range("2024-01-01", periods=100, freq="s"))
# 筛选出在特定秒数（例如30秒）发生的事件
filtered_data = data[data.dt.second == 30]
print("时间过滤-特定秒数的时间戳:")
print(filtered_data, end='\n\n')

# 266-3、特征工程
import pandas as pd
# 创建一个包含10个时间戳的Series，每个时间戳间隔1秒
data = pd.Series(pd.date_range("2024-01-01", periods=10, freq="s"))
# 提取秒数并作为新列加入DataFrame
data = pd.DataFrame(data, columns=['datetime'])
data['second'] = data['datetime'].dt.second
print("特征工程-添加秒数特征:")
print(data, end='\n\n')

# 266-4、性能优化
import pandas as pd
# 创建一个包含100个时间戳的Series，每个时间戳间隔1分钟
start_times = pd.Series(pd.date_range("2024-01-01 12:00:00", periods=100, freq="min"))
# 提取秒数
seconds = start_times.dt.second
# 筛选出秒数为0的时间点
zero_second_times = start_times[seconds == 0]
print("性能优化-秒数为0的时间点:")
print(zero_second_times, end='\n\n')

# 266-5、日志分析
import pandas as pd
# 创建一个包含特定时间戳的Series
log_times = pd.Series(pd.to_datetime(["2024-01-01 00:00:10", "2024-01-01 00:00:20", "2024-01-01 00:00:30"]))
# 提取秒数
log_seconds = log_times.dt.second
print("日志分析-日志时间戳的秒数部分:")
print(log_seconds)
266-6-3、结果输出
# 266、pandas.Series.dt.second属性
# 266-1、详细时间分析
# 详细时间分析-秒数部分:
# 0    0
# 1    1
# 2    2
# 3    3
# 4    4
# 5    5
# 6    6
# 7    7
# 8    8
# 9    9
# dtype: int32

# 266-2、时间过滤
# 时间过滤-特定秒数的时间戳:
# 30   2024-01-01 00:00:30
# 90   2024-01-01 00:01:30
# dtype: datetime64[ns]

# 266-3、特征工程
# 特征工程-添加秒数特征:
#              datetime  second
# 0 2024-01-01 00:00:00       0
# 1 2024-01-01 00:00:01       1
# 2 2024-01-01 00:00:02       2
# 3 2024-01-01 00:00:03       3
# 4 2024-01-01 00:00:04       4
# 5 2024-01-01 00:00:05       5
# 6 2024-01-01 00:00:06       6
# 7 2024-01-01 00:00:07       7
# 8 2024-01-01 00:00:08       8
# 9 2024-01-01 00:00:09       9

# 266-4、性能优化
# 性能优化-秒数为0的时间点:
# 0    2024-01-01 12:00:00
# 1    2024-01-01 12:01:00
# 2    2024-01-01 12:02:00
# 3    2024-01-01 12:03:00
# 4    2024-01-01 12:04:00
#              ...        
# 95   2024-01-01 13:35:00
# 96   2024-01-01 13:36:00
# 97   2024-01-01 13:37:00
# 98   2024-01-01 13:38:00
# 99   2024-01-01 13:39:00
# Length: 100, dtype: datetime64[ns]

# 266-5、日志分析
# 日志分析-日志时间戳的秒数部分:
# 0    10
# 1    20
# 2    30
# dtype: int32
267、pandas.Series.dt.microsecond属性
267-1、语法
# 267、pandas.Series.dt.microsecond属性
pandas.Series.dt.microsecond
The microseconds of the datetime.
267-2、参数

        无

267-3、功能

        用于提取时间序列数据中微秒部分的值。

267-4、返回值

        返回一个包含时间序列中每个时间戳的微秒值的Series。

267-5、说明

        无

267-6、用法
267-6-1、数据准备
无
267-6-2、代码示例
# 267、pandas.Series.dt.microsecond属性
# 267-1、提取微秒值
import pandas as pd
# 创建一个包含微秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=5, freq="333333us"))
# 提取微秒部分
microseconds = time_series.dt.microsecond
print("微秒值:")
print(microseconds, end='\n\n')

# 267-2、筛选特定微秒值的时间戳
import pandas as pd
# 创建一个包含微秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=10, freq="333333us"))
# 提取微秒部分
microseconds = time_series.dt.microsecond
# 筛选出微秒部分为333333的时间戳
filtered_time_series = time_series[microseconds == 333333]
print("微秒部分为333333的时间戳:")
print(filtered_time_series, end='\n\n')

# 267-3、添加微秒列到DataFrame
import pandas as pd
# 创建一个包含微秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=5, freq="333333us"))
# 创建DataFrame并添加微秒列
df = pd.DataFrame(time_series, columns=['datetime'])
df['microsecond'] = df['datetime'].dt.microsecond
print("添加微秒列的DataFrame:")
print(df, end='\n\n')

# 267-4、详细时间分析-微秒部分
import pandas as pd
# 创建一个包含微秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=10, freq="333333us"))
# 提取微秒部分
microseconds = time_series.dt.microsecond
print("详细时间分析-微秒部分:")
print(microseconds)
267-6-3、结果输出
# 267、pandas.Series.dt.microsecond属性
# 267-1、提取微秒值
# 微秒值:
# 0         0
# 1    333333
# 2    666666
# 3    999999
# 4    333332
# dtype: int32

# 267-2、筛选特定微秒值的时间戳
# 微秒部分为333333的时间戳:
# 1   2024-01-01 00:00:00.333333
# dtype: datetime64[ns]

# 267-3、添加微秒列到DataFrame
# 添加微秒列的DataFrame:
#                     datetime  microsecond
# 0 2024-01-01 00:00:00.000000            0
# 1 2024-01-01 00:00:00.333333       333333
# 2 2024-01-01 00:00:00.666666       666666
# 3 2024-01-01 00:00:00.999999       999999
# 4 2024-01-01 00:00:01.333332       333332

# 267-4、详细时间分析-微秒部分
# 详细时间分析-微秒部分:
# 0         0
# 1    333333
# 2    666666
# 3    999999
# 4    333332
# 5    666665
# 6    999998
# 7    333331
# 8    666664
# 9    999997
# dtype: int32
268、pandas.Series.dt.nanosecond属性
268-1、语法
# 268、pandas.Series.dt.nanosecond属性
pandas.Series.dt.nanosecond
The nanoseconds of the datetime.
268-2、参数

        无

268-3、功能

        用于提取时间序列数据中纳秒部分的值。

268-4、返回值

        返回一个包含时间序列中每个时间戳的纳秒值的Series。

268-5、说明

        无

268-6、用法
268-6-1、数据准备
无
268-6-2、代码示例
# 268、pandas.Series.dt.nanosecond属性
# 268-1、提取纳秒值
import pandas as pd
# 创建一个包含纳秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=5, freq="333333333ns"))
# 提取纳秒部分
nanoseconds = time_series.dt.nanosecond
print("纳秒值:")
print(nanoseconds, end='\n\n')

# 268-2、筛选特定纳秒值的时间戳
import pandas as pd
# 创建一个包含纳秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=10, freq="333333333ns"))
# 提取纳秒部分
nanoseconds = time_series.dt.nanosecond
# 筛选出纳秒部分为333333333的时间戳
filtered_time_series = time_series[nanoseconds == 333333333]
print("纳秒部分为333333333的时间戳:")
print(filtered_time_series, end='\n\n')

# 268-3、添加纳秒列到DataFrame
import pandas as pd
# 创建一个包含纳秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=5, freq="333333333ns"))
# 创建DataFrame并添加纳秒列
df = pd.DataFrame(time_series, columns=['datetime'])
df['nanosecond'] = df['datetime'].dt.nanosecond
print("添加纳秒列的DataFrame:")
print(df, end='\n\n')

# 268-4、详细时间分析-纳秒部分
import pandas as pd
# 创建一个包含纳秒部分的时间戳的Series
time_series = pd.Series(pd.date_range("2024-01-01 00:00:00", periods=10, freq="333333333ns"))
# 提取纳秒部分
nanoseconds = time_series.dt.nanosecond
print("详细时间分析-纳秒部分:")
print(nanoseconds)
268-6-3、结果输出
# 268、pandas.Series.dt.nanosecond属性
# 268-1、提取纳秒值
# 纳秒值:
# 0      0
# 1    333
# 2    666
# 3    999
# 4    332
# dtype: int32

# 268-2、筛选特定纳秒值的时间戳
# 纳秒部分为333333333的时间戳:
# Series([], dtype: datetime64[ns])

# 268-3、添加纳秒列到DataFrame
# 添加纳秒列的DataFrame:
#                        datetime  nanosecond
# 0 2024-01-01 00:00:00.000000000           0
# 1 2024-01-01 00:00:00.333333333         333
# 2 2024-01-01 00:00:00.666666666         666
# 3 2024-01-01 00:00:00.999999999         999
# 4 2024-01-01 00:00:01.333333332         332

# 268-4、详细时间分析-纳秒部分
# 详细时间分析-纳秒部分:
# 0      0
# 1    333
# 2    666
# 3    999
# 4    332
# 5    665
# 6    998
# 7    331
# 8    664
# 9    997
# dtype: int32
269、pandas.Series.dt.dayofweek属性
269-1、语法
# 269、pandas.Series.dt.dayofweek属性
pandas.Series.dt.dayofweek
The day of the week with Monday=0, Sunday=6.

Return the day of the week. It is assumed the week starts on Monday, which is denoted by 0 and ends on Sunday which is denoted by 6. This method is available on both Series with datetime values (using the dt accessor) or DatetimeIndex.

Returns:
Series or Index
Containing integers indicating the day number.
269-2、参数

        无

269-3、功能

        用于获取日期时间序列中每个日期的星期几的属性，具备此功能的还有pandas.Series.dt.day_of_week属性。

269-4、返回值

        返回一个整数值，表示一周中的星期几，其中0代表星期一，6代表星期天。

269-5、说明

        使用场景：

269-5-1、工作日和周末分析：在进行销售、流量或其他业务指标的分析时，可以使用该属性来区分工作日和周末，从而更好地理解客户行为模式。

269-5-2、时间序列数据的聚合：可以根据星期几对数据进行分组，从而计算每个星期几的平均值、总和或其他统计信息。例如，分析每周的销售额变化趋势。

269-5-3、调度和排班：在员工排班或资源调度中，可以利用该属性来确定哪些日期是工作日，进而制定合理的工作安排。

269-5-4、季节性趋势分析：在一些行业(如零售、旅游等)，不同星期几的销售或用户活动可能存在显著差异，通过分析这些差异可以帮助制定更有效的营销策略。

269-5-5、数据清洗和预处理：在处理时间序列数据时，可以利用该属性筛选出特定的日期，例如只保留工作日的数据，去除周末的数据。

269-5-6、事件驱动分析：对于特定事件(如假期、促销活动等)的影响分析，可以使用星期几信息来比较这些事件在不同日期的效果。

269-6、用法
269-6-1、数据准备
无
269-6-2、代码示例
# 269、pandas.Series.dt.dayofweek属性
# 269-1、工作日和周末分析
import pandas as pd
# 创建一个包含日期的数据
data = {'date': pd.date_range(start='2024-08-01', periods=10)}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 标记工作日和周末
df['is_weekend'] = df['day_of_week'] >= 5
print(df, end='\n\n')

# 269-2、时间序列数据的聚合
import pandas as pd
# 创建一个示例数据框
data = {'date': pd.date_range(start='2024-08-01', periods=30),
        'sales': range(30)}
df = pd.DataFrame(data)
# 提取星期几并进行分组
df['day_of_week'] = df['date'].dt.dayofweek
weekly_sales = df.groupby('day_of_week')['sales'].sum()
print(weekly_sales, end='\n\n')

# 269-3、调度和排班
import pandas as pd
# 创建一个包含日期的数据
data = {'date': pd.date_range(start='2024-08-01', periods=10)}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 根据星期几制定排班计划
df['shift'] = df['day_of_week'].apply(lambda x: 'Morning' if x < 5 else 'Day Off')
print(df, end='\n\n')

# 269-4、季节性趋势分析
import pandas as pd
import numpy as np
# 创建一个包含日期和销售额的数据
np.random.seed(0)
data = {'date': pd.date_range(start='2024-01-01', periods=365),
        'sales': np.random.randint(100, 1000, size=365)}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 计算每个星期几的平均销售额
weekly_avg_sales = df.groupby('day_of_week')['sales'].mean()
print(weekly_avg_sales, end='\n\n')

# 269-5、数据清洗和预处理
import pandas as pd
# 创建一个包含日期和数据的示例
data = {'date': pd.date_range(start='2024-01-01', periods=10),
        'value': range(10)}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 只保留工作日的数据
df_weekdays = df[df['day_of_week'] < 5]
print(df_weekdays, end='\n\n')

# 269-6、事件驱动分析
import pandas as pd
# 创建一个包含日期和事件的数据
data = {'date': pd.date_range(start='2024-01-01', periods=10),
        'event': ['Promotion', 'Regular', 'Promotion', 'Regular', 'Promotion', 'Regular', 'Regular', 'Promotion', 'Regular', 'Promotion']}
df = pd.DataFrame(data)
# 提取星期几
df['day_of_week'] = df['date'].dt.dayofweek
# 按照星期几和事件类型进行聚合
event_analysis = df.groupby(['day_of_week', 'event']).size().unstack(fill_value=0)
print(event_analysis)
269-6-3、结果输出
# 269、pandas.Series.dt.dayofweek属性
# 269-1、工作日和周末分析
#         date  day_of_week  is_weekend
# 0 2024-08-01            3       False
# 1 2024-08-02            4       False
# 2 2024-08-03            5        True
# 3 2024-08-04            6        True
# 4 2024-08-05            0       False
# 5 2024-08-06            1       False
# 6 2024-08-07            2       False
# 7 2024-08-08            3       False
# 8 2024-08-09            4       False
# 9 2024-08-10            5        True

# 269-2、时间序列数据的聚合
# day_of_week
# 0    58
# 1    62
# 2    66
# 3    70
# 4    75
# 5    50
# 6    54
# Name: sales, dtype: int64

# 269-3、调度和排班
#         date  day_of_week    shift
# 0 2024-08-01            3  Morning
# 1 2024-08-02            4  Morning
# 2 2024-08-03            5  Day Off
# 3 2024-08-04            6  Day Off
# 4 2024-08-05            0  Morning
# 5 2024-08-06            1  Morning
# 6 2024-08-07            2  Morning
# 7 2024-08-08            3  Morning
# 8 2024-08-09            4  Morning
# 9 2024-08-10            5  Day Off

# 269-4、季节性趋势分析
# day_of_week
# 0    580.943396
# 1    493.384615
# 2    630.538462
# 3    484.019231
# 4    548.192308
# 5    583.346154
# 6    547.403846
# Name: sales, dtype: float64

# 269-5、数据清洗和预处理
#         date  value  day_of_week
# 0 2024-01-01      0            0
# 1 2024-01-02      1            1
# 2 2024-01-03      2            2
# 3 2024-01-04      3            3
# 4 2024-01-05      4            4
# 7 2024-01-08      7            0
# 8 2024-01-09      8            1
# 9 2024-01-10      9            2

# 269-6、事件驱动分析
# event        Promotion  Regular
# day_of_week                    
# 0                    2        0
# 1                    0        2
# 2                    2        0
# 3                    0        1
# 4                    1        0
# 5                    0        1
# 6                    0        1
270、pandas.Series.dt.weekday属性
270-1、语法
# 270、pandas.Series.dt.weekday属性
pandas.Series.dt.weekday
The day of the week with Monday=0, Sunday=6.

Return the day of the week. It is assumed the week starts on Monday, which is denoted by 0 and ends on Sunday which is denoted by 6. This method is available on both Series with datetime values (using the dt accessor) or DatetimeIndex.

Returns:
Series or Index
Containing integers indicating the day number.
270-2、参数

        无

270-3、功能

        用于提取datetime对象的星期几。

270-4、返回值

        返回值是一个整数，其中0表示星期一，1表示星期二，以此类推，6表示星期日。

270-5、说明

        使用场景：

270-5-1、数据分析：在进行数据分析时，了解某些事件发生的星期几可以帮助识别趋势。例如，某些销售数据可能在周末更高，而其他业务则可能在工作日更繁忙。

270-5-2、数据可视化：在绘制图表时，可以根据星期几对数据进行分组，从而更清晰地展示不同时间段的行为模式。例如，使用条形图展示每周各天的销售额。

270-5-3、业务决策：在制定营销策略时，了解客户行为与星期几的关系可以帮助优化广告投放时间和促销活动。例如，可以在特定的日子进行促销，以吸引更多顾客。

270-5-4、调度与规划：在项目管理或人力资源调度中，可以根据工作日和休息日来安排任务或人员，确保工作效率最大化。

270-5-5、时间序列分析：在时间序列数据分析中，提取星期几信息可以作为特征之一，帮助构建更精准的预测模型。

270-5-6、事件记录与跟踪：在记录事件发生时间时，可以使用星期几来分析事件的发生频率与特定日期的关系，比如员工请假、客户投诉等。

270-6、用法
270-6-1、数据准备
无
270-6-2、代码示例
# 270、pandas.Series.dt.weekday属性
# 270-1、数据分析：识别销售趋势
import pandas as pd
# 创建示例销售数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=30),
    'sales': [200, 220, 210, 230, 250, 270, 300, 320, 310, 330, 340, 350,
              360, 370, 380, 390, 400, 410, 420, 430, 440, 450, 460, 470,
              480, 490, 500, 510, 520, 530]
}
df = pd.DataFrame(data)
# 提取星期几
df['weekday'] = df['date'].dt.weekday
# 计算每天的平均销售额
average_sales_by_weekday = df.groupby('weekday')['sales'].mean()
print(average_sales_by_weekday, end='\n\n')

# 270-2、数据可视化：展示每周各天的销售额
import pandas as pd
import matplotlib.pyplot as plt
# 创建示例销售数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=30),
    'sales': [200, 220, 210, 230, 250, 270, 300, 320, 310, 330, 340, 350,
              360, 370, 380, 390, 400, 410, 420, 430, 440, 450, 460, 470,
              480, 490, 500, 510, 520, 530]
}
df = pd.DataFrame(data)
df['weekday'] = df['date'].dt.weekday
# 按星期几分组并计算总销售额
total_sales_by_weekday = df.groupby('weekday')['sales'].sum()
# 绘制条形图
total_sales_by_weekday.plot(kind='bar', color='skyblue')
plt.xlabel('Weekday (0=Monday, 6=Sunday)')
plt.ylabel('Total Sales')
plt.title('Total Sales by Weekday')
plt.xticks(ticks=range(7), labels=['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'], rotation=45)
plt.show()

# 270-3、业务决策：优化广告投放时间
import pandas as pd
# 创建示例广告投放数据
data = {
    'ad_date': pd.date_range(start='2024-01-01', periods=30),
    'ad_cost': [1000, 1200, 1100, 1300, 1500, 1600, 1700, 1800, 1750, 1900,
                2000, 2100, 2200, 2300, 2400, 2500, 2600, 2700, 2800, 2900,
                3000, 3100, 3200, 3300, 3400, 3500, 3600, 3700, 3800, 3900]
}
df = pd.DataFrame(data)
# 提取星期几
df['weekday'] = df['ad_date'].dt.weekday
# 计算广告成本按星期几的总和
ad_cost_by_weekday = df.groupby('weekday')['ad_cost'].sum()
print(ad_cost_by_weekday, end='\n\n')

# 270-4、调度与规划：安排任务或人员
import pandas as pd
# 创建示例任务数据
tasks = {
    'task_date': pd.date_range(start='2024-01-01', periods=30),
    'task': ['Task {}'.format(i) for i in range(30)]
}
df = pd.DataFrame(tasks)
# 提取星期几
df['weekday'] = df['task_date'].dt.weekday
# 按星期几分配任务
tasks_by_weekday = df.groupby('weekday')['task'].count()
print(tasks_by_weekday, end='\n\n')

# 270-5、时间序列分析：构建预测模型特征
import pandas as pd
# 创建示例时间序列数据
data = {
    'date': pd.date_range(start='2024-01-01', periods=100),
    'value': range(100)
}
df = pd.DataFrame(data)
# 提取星期几作为特征
df['weekday'] = df['date'].dt.weekday
print(df.head(), end='\n\n')

# 270-6、事件记录与跟踪：分析事件发生频率
import pandas as pd
# 创建示例事件数据
events = {
    'event_date': pd.date_range(start='2024-01-01', periods=50),
    'event_type': ['Type {}'.format(i % 5) for i in range(50)]
}
df = pd.DataFrame(events)
# 提取星期几
df['weekday'] = df['event_date'].dt.weekday
# 统计每星期几的事件数量
events_by_weekday = df.groupby('weekday').size()
print(events_by_weekday)
270-6-3、结果输出
# 270、pandas.Series.dt.weekday属性
# 270-1、数据分析：识别销售趋势
# weekday
# 0    374.0
# 1    382.0
# 2    352.5
# 3    365.0
# 4    377.5
# 5    390.0
# 6    405.0
# Name: sales, dtype: float64

# 270-2、数据可视化：展示每周各天的销售额
# 见图1

# 270-3、业务决策：优化广告投放时间
# weekday
# 0    12100
# 1    12550
# 2     8900
# 3     9400
# 4     9900
# 5    10300
# 6    10700
# Name: ad_cost, dtype: int64

# 270-4、调度与规划：安排任务或人员
# weekday
# 0    5
# 1    5
# 2    4
# 3    4
# 4    4
# 5    4
# 6    4
# Name: task, dtype: int64

# 270-5、时间序列分析：构建预测模型特征
#         date  value  weekday
# 0 2024-01-01      0        0
# 1 2024-01-02      1        1
# 2 2024-01-03      2        2
# 3 2024-01-04      3        3
# 4 2024-01-05      4        4

# 270-6、事件记录与跟踪：分析事件发生频率
# weekday
# 0    8
# 1    7
# 2    7
# 3    7
# 4    7
# 5    7
# 6    7
# dtype: int64

图1：

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页
神奇夜光杯
关注
  • 8
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Python酷库之旅-第三方库Pandas(046)
ygb_1024的博客
07-26 1377
第三方库Pandas(046)
Python酷库之旅-第三方库Pandas(059)
ygb_1024的博客
08-02 1773
第三方库Pandas(059)
Python酷库之旅-第三方库Pandas(064)
ygb_1024的博客
08-04 1009
第三方库Pandas(064)
Python酷库之旅-第三方库Pandas(023)
ygb_1024的博客
07-15 1568
第三方库Pandas(023)
Python酷库之旅-第三方库Pandas(060)
ygb_1024的博客
08-02 1474
第三方库Pandas(060)
Python酷库之旅-第三方库Pandas(062)
ygb_1024的博客
08-03 1910
第三方库Pandas(062)
Python酷库之旅-第三方库Pandas(021)
ygb_1024的博客
07-14 1517
第三方库Pandas(021)
Python酷库之旅-第三方库Pandas(051)
ygb_1024的博客
07-29 883
第三方库Pandas(051)
Python酷库之旅-第三方库Pandas(011)
ygb_1024的博客
07-09 2057
第三方库Pandas(011)
Python酷库之旅-第三方库Pandas(001)
ygb_1024的博客
07-04 2542
第三方库Pandas(001)
Python酷库之旅-第三方库Pandas(005)
07-05
Pandas_read_excel函数数据准备
Python库 | coconut-develop-2.0.0a0.dev23.tar.gz
03-01
你可以使用pip来安装和管理Coconut库，同时，它与其他Python库（如NumPy、Pandas等）无缝协作，这意味着你可以在使用Coconut的同时，充分利用Python丰富的第三方库资源。 Coconut库的源代码打包为`coconut-develop-...
Python库 | seleniumbase-1.38.6-py2.py3-none-any.whl
03-24
7. **集成第三方库**：`seleniumbase`能够与`unittest`、`pytest`等测试框架无缝集成，也可以与其他库如`pandas`和`requests`配合，实现更复杂的测试需求。 8. **可扩展性**：`seleniumbase`设计为模块化，用户可以...
python-3.12.1-amd64安装包
01-26
此外，Python的pip工具允许用户方便地安装、升级和管理第三方库，进一步扩展了Python的功能。 总之，"python-3.12.1-amd64.exe"是一个针对64位Windows系统的Python 3.12.1安装程序，包含了运行和开发Python应用所需...
python官方3.8.7-amd64版本exe安装包
08-11
在安装Python后，开发者可以利用丰富的第三方库如NumPy、Pandas、Matplotlib进行数据分析，或者使用Django、Flask框架进行Web开发。Python的生态系统庞大且活跃，不断有新的库和工具涌现，以满足各种需求。 总之，...
数据分析教程【先导片】
lmx1458070445的博客
08-05 593
数据分析的定义为研究、清理、建模和转换数据，以找到有用的信息、提出结论并支持决策。
python字符串数据容器练习（replace,split,count）
2301_79600015的博客
07-31 625
Python字符串是由一系列字符组成的数据类型。在Python中，字符串是不可变的，这意味着一旦创建了一个字符串，就不能修改它的内容。以下是关于Python字符串的一些重要知识点：1. 字符串的基本操作：拼接字符串：使用`+`运算符。重复字符串：使用`*`运算符。索引和切片：使用`[]`和`:`操作符访问字符串中的子串。长度：使用`len()`函数获取字符串长度。转换大小写：使用`upper()`和`lower()`方法。分割和连接：使用`split()`和`join()`方法。
RAG与LLM原理及实践（10）--- 完整自实现Local RAG
最新发布
talentyiyy的专栏
08-05 173
通过这节加上前面的 local RAG 搭建，你完全可以自己实现一个local RAG 模型，而不借助任何外围组件，这样的实现对你加深RAG实现的全过程有直观重要的作用。还是那句话，真正的强者不能只是浮于表面，要知其然更要知其所以然。如果想要实现分布式的vector db 存储与query，那又回到了那个问题，你需要在query 正确率，效率，数据一致性之间做权衡。并且使用类似分布式数据，元数据管理工具，cache 策略等诸多手段进行维护。
java selenium 设置代理，允许在其他环境中使用不同的IP访问
huanghm88的专栏
08-05 357
此代码以Chrome浏览器为例，如果你使用其他浏览器，你需要相应地调整代码。另外，你需要下载适用于你的操作系统的Chrome浏览器驱动，并将路径替换为。在Java Selenium中设置代理可以使用。替换为其他环境中要访问的IP地址。替换为实际的代理IP和端口，并将。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

神奇夜光杯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值