Python - 如何按年份对 Pandas DataFrame 进行分组?
pythonserver side programmingprogramming更新于 2025/11/23 8:12:17
我们将使用 groupby() 对 Pandas DataFrame 进行分组。使用 grouper 函数选择要使用的列。我们将按年份分组，并计算注册价格与年份间隔的总和，如下所示的汽车销售记录示例。
首先，假设以下是我们的 Pandas DataFrame，其中包含三列 −
# 数据框，其中一列为 Date_of_Purchase
dataFrame = pd.DataFrame(
{
"Car": ["Audi", "Lexus", "Tesla", "Mercedes", "BMW", "Toyota", "Nissan", "Bentley", "Mustang"],
"Date_of_Purchase": [pd.Timestamp("2021-06-10"),
pd.Timestamp("2019-07-11"),
pd.Timestamp("2016-06-25"),
pd.Timestamp("2021-06-29"),
pd.Timestamp("2020-03-20"),
pd.Timestamp("2019-01-22"),
pd.Timestamp("2011-01-06"),
pd.Timestamp("2013-01-04"),
pd.Timestamp("2014-05-09")
],
"Reg_Price": [1000, 1400, 1100, 900, 1700, 1800, 1300, 1150, 1350]
}
)
接下来，使用 Grouper 在 groupby 函数中选择 Date_of_Purchase 列。频率设置为 3Y，即间隔 3 年分组。
示例
以下是代码 −
import pandas as pd
# dataframe 其中一列为 Date_of_Purchase
dataFrame = pd.DataFrame(
{
"Car": ["Audi", "Lexus", "Tesla", "Mercedes", "BMW", "Toyota", "Nissan", "Bentley", "Mustang"],
"Date_of_Purchase": [pd.Timestamp("2021-06-10"),
pd.Timestamp("2019-07-11"),
pd.Timestamp("2016-06-25"),
pd.Timestamp("2021-06-29"),
pd.Timestamp("2020-03-20"),
pd.Timestamp("2019-01-22"),
pd.Timestamp("2011-01-06"),
pd.Timestamp("2013-01-04"),
pd.Timestamp("2014-05-09")
],
"Reg_Price": [1000, 1400, 1100, 900, 1700, 1800, 1300, 1150, 1350]
}
)
print("DataFrame...\n",dataFrame)
# Grouper 在 groupby 函数中选择 Date_of_Purchase 列
print("\nGroup Dataframe by 3 years...\n",dataFrame.groupby(pd.Grouper(key='Date_of_Purchase', axis=0, freq='3Y')).sum())
输出
这将产生以下输出 −
DataFrame... Car Date_of_Purchase Reg_Price 0 Audi 2021-06-10 1000 1 Lexus 2019-07-11 1400 2 Tesla 2016-06-25 1100 3 Mercedes 2021-06-29 900 4 BMW 2020-03-20 1700 5 Toyota 2019-01-22 1800 6 Nissan 2011-01-06 1300 7 Bentley 2013-01-04 1150 8 Mustang 2014-05-09 1350 Group Dataframe by 3 years... Reg_Price Date_of_Purchase 2011-12-31 1300 2014-12-31 2500 2017-12-31 1100 2020-12-31 4900 2023-12-31 1900
相关文章
有用资源
python 参考教程 - 该教程包含有关 python 的更多信息:https://www.cainiaomax.com/python/
