######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'原日期':['08-Feb-23','02/08/2023','2023.02.08','2023/02/08','20230208']})
df['转换后的日期'] = pd.to_datetime(df['原日期'])
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
原日期 转换后的日期
0 08-Feb-23 2023-02-08
1 02/08/2023 2023-02-08
2 2023.02.08 2023-02-08
3 2023/02/08 2023-02-08
4 20230208 2023-02-08
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'原日期':['8-February-23','2/8/2023','2023.2.8','2023/2/8','20230208'],})
df['转换后的日期'] = pd.to_datetime(df['原日期'])
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
原日期 转换后的日期
0 8-February-23 2023-02-08
1 2/8/2023 2023-02-08
2 2023.2.8 2023-02-08
3 2023/2/8 2023-02-08
4 20230208 2023-02-08
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'原日期':['18-February-23','02/18/2023','2023.2.18','2023/2/18','20230218',]})
df['转换后的日期'] = pd.to_datetime(df['原日期'])
print(df)
print("-" * 10)
print("-" * 10)
## 不输出索引：
Result_1 = df.to_string(index=False)
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
原日期 转换后的日期
0 18-February-23 2023-02-18
1 02/18/2023 2023-02-18
2 2023.2.18 2023-02-18
3 2023/2/18 2023-02-18
4 20230218 2023-02-18
----------
----------
原日期 转换后的日期
18-February-23 2023-02-18
02/18/2023 2023-02-18
2023.2.18 2023-02-18
2023/2/18 2023-02-18
20230218 2023-02-18
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'原日期':['18-February-23','2/18/2023','2023.2.18','2023/2/18','20230218',],})
df['转换后的日期'] = pd.to_datetime(df['原日期'])
print(df)
print("-" * 10)
print("-" * 10)
print(df.head(3)) #显示前面3条记录
print("-" * 10)
print(df.tail(3)) #显示后面3条记录
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
原日期 转换后的日期
0 18-February-23 2023-02-18
1 2/18/2023 2023-02-18
2 2023.2.18 2023-02-18
3 2023/2/18 2023-02-18
4 20230218 2023-02-18
----------
----------
原日期 转换后的日期
0 18-February-23 2023-02-18
1 2/18/2023 2023-02-18
2 2023.2.18 2023-02-18
----------
原日期 转换后的日期
2 2023.2.18 2023-02-18
3 2023/2/18 2023-02-18
4 20230218 2023-02-18
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'原日期':['18-February-23','02/18/2023','2023.02.18','2023/2/18','20230218']})
df['转换后的日期'] = pd.to_datetime(df['原日期'])
print(df)
print("-" * 10)
print("-" * 10)
## 显示前面3条记录，且不输出索引:
Result_1 = df.head(3)
Result_1 = Result_1.to_string(index=False)
print(Result_1)
print("-" * 10)
## 显示后面3条记录，且不输出索引:
Result_2 = df.tail(3)
Result_2 = Result_2.to_string(index=False)
print(Result_2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
原日期 转换后的日期
0 18-February-23 2023-02-18
1 02/18/2023 2023-02-18
2 2023.02.18 2023-02-18
3 2023/2/18 2023-02-18
4 20230218 2023-02-18
----------
----------
原日期 转换后的日期
18-February-23 2023-02-18
02/18/2023 2023-02-18
2023.02.18 2023-02-18
----------
原日期 转换后的日期
2023.02.18 2023-02-18
2023/2/18 2023-02-18
20230218 2023-02-18
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'原日期时间':['18-February-23 13:23:02','02/18/2023 8:12:18','2023.02.18 02:1:00','2023/2/18','20230218']})
df['转换后的日期时间'] = pd.to_datetime(df['原日期时间'])
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
原日期时间 转换后的日期时间
0 18-February-23 13:23:02 2023-02-18 13:23:02
1 02/18/2023 8:12:18 2023-02-18 08:12:18
2 2023.02.18 02:1:00 2023-02-18 02:01:00
3 2023/2/18 2023-02-18 00:00:00
4 20230218 2023-02-18 00:00:00
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua','Lily','Tony'],
'原日期时间':['18-February-23 13:23:02','02/18/2023 8:12:18','2023.02.18 02:1:00','2023/2/18','20230218']
})
df['转换后的日期时间'] = pd.to_datetime(df['原日期时间'])
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 原日期时间 转换后的日期时间
0 李大杰 18-February-23 13:23:02 2023-02-18 13:23:02
1 Jacky 02/18/2023 8:12:18 2023-02-18 08:12:18
2 zhuohua 2023.02.18 02:1:00 2023-02-18 02:01:00
3 Lily 2023/2/18 2023-02-18 00:00:00
4 Tony 20230218 2023-02-18 00:00:00
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'日期':['2021-10-06','2022-03-05','2023-11-07']})
print(df)
print("-" * 10)
print("-" * 10)
## 获取日期中的年、月、日：
Date_1 = pd.to_datetime(df["日期"])
df["年"] = Date_1.dt.year
df["月"] = Date_1.dt.month
df["日"] = Date_1.dt.day
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
日期
0 2021-10-06
1 2022-03-05
2 2023-11-07
----------
----------
日期 年 月 日
0 2021-10-06 2021 10 6
1 2022-03-05 2022 3 5
2 2023-11-07 2023 11 7
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],
'日期时间':['2021-10-06 13:23:02','2022-3-05 08:12:18','2023-11-7 02:01:00',]
})
print(df)
print("-" * 10)
print("-" * 10)
## 获取日期时间中的年、月、日：
Date_1 = pd.to_datetime(df['日期时间'])
df["年"],df["月"],df['日'] = Date_1.dt.year,Date_1.dt.month,Date_1.dt.day
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 日期时间
0 李大杰 2021-10-06 13:23:02
1 Jacky 2022-3-05 08:12:18
2 zhuohua 2023-11-7 02:01:00
----------
----------
买家姓名 日期时间 年 月 日
0 李大杰 2021-10-06 13:23:02 2021 10 6
1 Jacky 2022-3-05 08:12:18 2022 3 5
2 zhuohua 2023-11-7 02:01:00 2023 11 7
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'日期时间':['2021-10-06 13:23:02','2022-03-05 08:12:18','2023-11-07 02:01:00',]})
print(df)
print("-" * 10)
print("-" * 10)
Date_1 = pd.to_datetime(df['日期时间'])
df["时"] = Date_1.dt.hour #获取日期时间中的时
df["分"] = Date_1.dt.minute #获取日期时间中的分
df["秒"] = Date_1.dt.second #获取日期时间中的秒
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
日期时间
0 2021-10-06 13:23:02
1 2022-03-05 08:12:18
2 2023-11-07 02:01:00
----------
----------
日期时间 时 分 秒
0 2021-10-06 13:23:02 13 23 2
1 2022-03-05 08:12:18 8 12 18
2 2023-11-07 02:01:00 2 1 0
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'日期时间':['2021-10-06 13:23:2','2022-03-05 8:12:18','2023-11-07 02:01:00',]})
print(df)
print("-" * 10)
print("-" * 10)
## 获取日期时间中的时、分、秒：
Date_1 = pd.to_datetime(df['日期时间'])
df["时"],df["分"],df["秒"] = Date_1.dt.hour,Date_1.dt.minute,Date_1.dt.second
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
日期时间
0 2021-10-06 13:23:2
1 2022-03-05 8:12:18
2 2023-11-07 02:01:00
----------
----------
日期时间 时 分 秒
0 2021-10-06 13:23:2 13 23 2
1 2022-03-05 8:12:18 8 12 18
2 2023-11-07 02:01:00 2 1 0
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'时间':['13:23:2','8:12:18','02:01:00',]})
print(df)
print("-" * 10)
print("-" * 10)
## 获取时间中的时、分、秒：
Date_1 = pd.to_datetime(df['时间'])
df["时"],df["分"],df["秒"] = Date_1.dt.hour,Date_1.dt.minute,Date_1.dt.second
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
时间
0 13:23:2
1 8:12:18
2 02:01:00
----------
----------
时间 时 分 秒
0 13:23:2 13 23 2
1 8:12:18 8 12 18
2 02:01:00 2 1 0
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'付款时间':['13:23:02','08:12:18','02:01:00',]})
print(df)
print("-" * 10)
print("-" * 10)
Date_1 = pd.to_datetime(df['付款时间'])
df["时"] = Date_1.dt.hour #获取时间中的时
df["分"] = Date_1.dt.minute #获取时间中的分
df["秒"] = Date_1.dt.second #获取时间中的秒
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 付款时间
0 李大杰 13:23:02
1 Jacky 08:12:18
2 zhuohua 02:01:00
----------
----------
买家姓名 付款时间 时 分 秒
0 李大杰 13:23:02 13 23 2
1 Jacky 08:12:18 8 12 18
2 zhuohua 02:01:00 2 1 0
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'日期':['2021-10-06','2022-3-05','2023-11-7',]})
print(df)
print("-" * 10)
print("-" * 10)
Date_1 = pd.to_datetime(df["日期"])
df["星期数"] = Date_1.dt.day_name() #获取日期所处的星期数
df["季度"] = Date_1.dt.quarter #获取日期所处的季度
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
日期
0 2021-10-06
1 2022-3-05
2 2023-11-7
----------
----------
日期 星期数 季度
0 2021-10-06 Wednesday 4
1 2022-3-05 Saturday 1
2 2023-11-7 Tuesday 4
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'日期时间':['2021-10-06 13:23:02','2022-03-5 08:12:18','2023-11-7 02:1:00',]})
print(df)
print("-" * 10)
print("-" * 10)
## 获取日期时间所处的星期数、季度：
Date_1 = pd.to_datetime(df['日期时间'])
df['星期数'],df['季度'] = Date_1.dt.day_name(),Date_1.dt.quarter
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
日期时间
0 2021-10-06 13:23:02
1 2022-03-5 08:12:18
2 2023-11-7 02:1:00
----------
----------
日期时间 星期数 季度
0 2021-10-06 13:23:02 Wednesday 4
1 2022-03-5 08:12:18 Saturday 1
2 2023-11-7 02:1:00 Tuesday 4
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'日期':['2021-10-06','2022-12-31','2023-11-7']})
print(df)
print("-" * 10)
print("-" * 10)
Date_1 = pd.to_datetime(df['日期'])
df['月'] = Date_1.dt.month #获取日期中的月
df['日'] = Date_1.dt.day #获取日期中的日
df["是否年底"] = Date_1.dt.is_year_end #从日期判断是否为年底最后一天
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
日期
0 2021-10-06
1 2022-12-31
2 2023-11-7
----------
----------
日期 月 日 是否年底
0 2021-10-06 10 6 False
1 2022-12-31 12 31 True
2 2023-11-7 11 7 False
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'日期时间':['2021-12-31 13:23:2','2022-03-5 08:12:18','2023-11-07 02:01:00',]})
print(df)
print("-" * 10)
print("-" * 10)
Date_1 = pd.to_datetime(df['日期时间'])
df["是否年底"] = Date_1.dt.is_year_end #从日期时间判断是否为年底最后一天
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
日期时间
0 2021-12-31 13:23:2
1 2022-03-5 08:12:18
2 2023-11-07 02:01:00
----------
----------
日期时间 是否年底
0 2021-12-31 13:23:2 True
1 2022-03-5 08:12:18 False
2 2023-11-07 02:01:00 False
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'Year':[2021,2022,2023],'Month':[10,3,2],'Day':[6,5,15]}) # year、month、day是必选的，并且必须是英文
df['组合后的日期'] = pd.to_datetime(df) #将多个数据组合为日期
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
Year Month Day 组合后的日期
0 2021 10 6 2021-10-06
1 2022 3 5 2022-03-05
2 2023 2 15 2023-02-15
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'Year':[2021,2022,2023],'month':[10,3,2],'day':[6,5,15]}) # year、month、day是必选的，并且必须是英文
df['组合后的日期'] = pd.to_datetime(df) #将多个数据组合为日期
print(df)
print("-" * 10)
print("-" * 10)
df.rename(columns={'Year':'年','month':'月','day':'日'},inplace=True) #修改多个列标题
print(df)
print("-" * 10)
## 不输出索引：
Result_1 = df.to_string(index=False)
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
Year month day 组合后的日期
0 2021 10 6 2021-10-06
1 2022 3 5 2022-03-05
2 2023 2 15 2023-02-15
----------
----------
年 月 日 组合后的日期
0 2021 10 6 2021-10-06
1 2022 3 5 2022-03-05
2 2023 2 15 2023-02-15
----------
年 月 日 组合后的日期
2021 10 6 2021-10-06
2022 3 5 2022-03-05
2023 2 15 2023-02-15
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],
'Year':[2021,2022,2023],'Month':[10,3,2],'DAY':[6,5,15]}) # year、month、day是必选的，并且必须是英文
print(df)
print("-" * 10)
print("-" * 10)
## 删除列标题为“买家姓名”的数据：
df.drop(['买家姓名'],axis=1,inplace=True)
df['组合后的日期'] = pd.to_datetime(df) #将多个数据组合为日期
print(df)
## 一次性删除列标题为“Year”、“Month”、“DAY”的数据：
df.drop(['Year','Month','DAY'],axis=1,inplace=True)
print("-" * 10)
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 Year Month DAY
0 李大杰 2021 10 6
1 Jacky 2022 3 5
2 zhuohua 2023 2 15
----------
----------
Year Month DAY 组合后的日期
0 2021 10 6 2021-10-06
1 2022 3 5 2022-03-05
2 2023 2 15 2023-02-15
----------
组合后的日期
0 2021-10-06
1 2022-03-05
2 2023-02-15
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'year':[2021,2022,2023],'month':[10,3,2],'day':[6,5,15],
'hour':[13,8,2],'minute':[23,12,1],'second':[2,18,0]
}) # hour、minute、second是可选的
df['组合后的日期时间'] = pd.to_datetime(df) #将多个数据组合为日期时间
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
year month day hour minute second 组合后的日期时间
0 2021 10 6 13 23 2 2021-10-06 13:23:02
1 2022 3 5 8 12 18 2022-03-05 08:12:18
2 2023 2 15 2 1 0 2023-02-15 02:01:00
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'year':[2021,2022,2023],'month':[10,3,2],'day':[6,5,15],
'Hour':[13,8,2],'minute':[23,12,1],'second':[2,18,0],
})
df['组合后的日期时间'] = pd.to_datetime(df) #将多个数据组合为日期时间
print(df)
print("-" * 10)
print("-" * 10)
## 修改多个列标题：
Col_1 = {'year':'年','month':'月','day':'日','Hour':'时','minute':'分','second':'秒'}
df.rename(columns=Col_1,inplace=True)
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
year month day Hour minute second 组合后的日期时间
0 2021 10 6 13 23 2 2021-10-06 13:23:02
1 2022 3 5 8 12 18 2022-03-05 08:12:18
2 2023 2 15 2 1 0 2023-02-15 02:01:00
----------
----------
年 月 日 时 分 秒 组合后的日期时间
0 2021 10 6 13 23 2 2021-10-06 13:23:02
1 2022 3 5 8 12 18 2022-03-05 08:12:18
2 2023 2 15 2 1 0 2023-02-15 02:01:00
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'日期时间':['2021-10-06 13:23:02','2022-03-05 08:12:18','2023-02-15 02:01:00',]})
print(df)
print("-" * 10)
print("-" * 10)
## 使用split函数分割"日期时间"这一列的数据：
Result_1 = df['日期时间'].str.split(' ',expand=True) #这里的分隔符为空格
df['日期'] = Result_1[0]
df['时间'] = Result_1[1]
print(df)
print("-" * 10)
## 删除列标题为“日期时间”的数据：
df.drop(['日期时间'],axis=1,inplace=True)
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
日期时间
0 2021-10-06 13:23:02
1 2022-03-05 08:12:18
2 2023-02-15 02:01:00
----------
----------
日期时间 日期 时间
0 2021-10-06 13:23:02 2021-10-06 13:23:02
1 2022-03-05 08:12:18 2022-03-05 08:12:18
2 2023-02-15 02:01:00 2023-02-15 02:01:00
----------
日期 时间
0 2021-10-06 13:23:02
1 2022-03-05 08:12:18
2 2023-02-15 02:01:00
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'year':[2021,2022,2023],'month':[10,3,2],'day':[6,5,15],
'hour':[13,8,2],'minute':[23,12,1],'second':[2,18,0]
}) # hour、minute、second是可选的
df['组合后的日期时间'] = pd.to_datetime(df) #将多个数据组合为日期时间
print(df)
print("-" * 10)
print("-" * 10)
## 使用split函数分割"组合后的日期时间"这一列的数据：
df['组合后的日期时间'] = df['组合后的日期时间'].astype(str) #使用astype函数转换数据类型
Result_1 = df['组合后的日期时间'].str.split(' ',expand=True) #这里的分隔符为空格
df['日期'] = Result_1[0]
df['时间'] = Result_1[1]
print(df)
print("-" * 10)
## 输出“组合后的日期时间”、“日期”、“时间”的列数据：
Result_2 = df[['组合后的日期时间','日期','时间']]
print(Result_2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
year month day hour minute second 组合后的日期时间
0 2021 10 6 13 23 2 2021-10-06 13:23:02
1 2022 3 5 8 12 18 2022-03-05 08:12:18
2 2023 2 15 2 1 0 2023-02-15 02:01:00
----------
----------
year month day hour minute second 组合后的日期时间 日期 时间
0 2021 10 6 13 23 2 2021-10-06 13:23:02 2021-10-06 13:23:02
1 2022 3 5 8 12 18 2022-03-05 08:12:18 2022-03-05 08:12:18
2 2023 2 15 2 1 0 2023-02-15 02:01:00 2023-02-15 02:01:00
----------
组合后的日期时间 日期 时间
0 2021-10-06 13:23:02 2021-10-06 13:23:02
1 2022-03-05 08:12:18 2022-03-05 08:12:18
2 2023-02-15 02:01:00 2023-02-15 02:01:00
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'订单付款时间':['2023-12-31','2022-03-05','2023-11-07'],
'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],})
print(df)
print("-" * 10)
print("-" * 10)
df.sort_values(by='订单付款时间',ascending=True, inplace=True) #按“订单付款时间”进行排序（升序）
print(df)
print("-" * 10)
df.sort_values(by='订单付款时间',ascending=False, inplace=True) #按“订单付款时间”进行排序（降序）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
订单付款时间 买家姓名 支付金额
0 2023-12-31 李大杰 30
1 2022-03-05 Jacky 40
2 2023-11-07 zhuohua 80
----------
----------
订单付款时间 买家姓名 支付金额
1 2022-03-05 Jacky 40
2 2023-11-07 zhuohua 80
0 2023-12-31 李大杰 30
----------
订单付款时间 买家姓名 支付金额
0 2023-12-31 李大杰 30
2 2023-11-07 zhuohua 80
1 2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'订单付款时间':['2023-11-07 08:12:18','2022-03-05','2023-11-07 08:20:18'],
'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],})
print(df)
print("-" * 10)
print("-" * 10)
df.sort_values(by='订单付款时间',ascending=True, inplace=True) #按“订单付款时间”进行排序（升序）
print(df)
print("-" * 10)
df.sort_values(by='订单付款时间',ascending=False, inplace=True) #按“订单付款时间”进行排序（降序）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
订单付款时间 买家姓名 支付金额
0 2023-11-07 08:12:18 李大杰 30
1 2022-03-05 Jacky 40
2 2023-11-07 08:20:18 zhuohua 80
----------
----------
订单付款时间 买家姓名 支付金额
1 2022-03-05 Jacky 40
0 2023-11-07 08:12:18 李大杰 30
2 2023-11-07 08:20:18 zhuohua 80
----------
订单付款时间 买家姓名 支付金额
2 2023-11-07 08:20:18 zhuohua 80
0 2023-11-07 08:12:18 李大杰 30
1 2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'订单付款时间':['2023-12-31','2022-03-05','2023-11-07'],
'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],})
print(df)
print("-" * 10)
print("-" * 10)
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.sort_values(by='订单付款时间',ascending=True, inplace=True) #按“订单付款时间”进行排序（升序）
print(df)
print("-" * 10)
df.sort_values(by='订单付款时间',ascending=False, inplace=True) #按“订单付款时间”进行排序（降序）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
订单付款时间 买家姓名 支付金额
0 2023-12-31 李大杰 30
1 2022-03-05 Jacky 40
2 2023-11-07 zhuohua 80
----------
----------
买家姓名 支付金额
订单付款时间
2022-03-05 Jacky 40
2023-11-07 zhuohua 80
2023-12-31 李大杰 30
----------
买家姓名 支付金额
订单付款时间
2023-12-31 李大杰 30
2023-11-07 zhuohua 80
2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2023-11-07 08:12:18','2022-03-05','2023-11-07 08:20:18'],})
print(df)
print("-" * 10)
print("-" * 10)
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.sort_values(by='订单付款时间',ascending=True, inplace=True) #按“订单付款时间”进行排序（升序）
print(df)
print("-" * 10)
df.sort_values(by='订单付款时间',ascending=False, inplace=True) #按“订单付款时间”进行排序（降序）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2023-11-07 08:12:18
1 Jacky 40 2022-03-05
2 zhuohua 80 2023-11-07 08:20:18
----------
----------
买家姓名 支付金额
订单付款时间
2022-03-05 Jacky 40
2023-11-07 08:12:18 李大杰 30
2023-11-07 08:20:18 zhuohua 80
----------
买家姓名 支付金额
订单付款时间
2023-11-07 08:20:18 zhuohua 80
2023-11-07 08:12:18 李大杰 30
2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'订单付款时间':['2021-12-31','2022-03-05','2023-11-07'],
'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],})
print(df)
print("-" * 10)
print("-" * 10)
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2021-12-31':'2022-03-05']) #获取某个日期区间的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
订单付款时间 买家姓名 支付金额
0 2021-12-31 李大杰 30
1 2022-03-05 Jacky 40
2 2023-11-07 zhuohua 80
----------
----------
买家姓名 支付金额
订单付款时间
2021-12-31 李大杰 30
2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2023-11-07']
})
print(df)
print("-" * 10)
print("-" * 10)
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2021-12-30':'2022-03-06']) #获取某个日期区间的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2023-11-07
----------
----------
买家姓名 支付金额
订单付款时间
2021-12-31 李大杰 30
2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2023-11-07']
})
print(df)
print("-" * 10)
print("-" * 10)
df = df.set_index('订单付款时间') #设置指定列的数据为索引
## 获取某个日期区间的数据:
Result_1 = df['2021-12-31':'2022-03-04']
print(Result_1)
print("-" * 10)
## 获取某个日期区间的数据:
Result_2 = df['2022-01-01':'2022-03-05']
print(Result_2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2023-11-07
----------
----------
买家姓名 支付金额
订单付款时间
2021-12-31 李大杰 30
----------
买家姓名 支付金额
订单付款时间
2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'订单付款时间':['2021-12-31 13:23:02','2022-03-05 08:12:18','2023-11-07 02:01:00'],
'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80]})
print(df)
print("-" * 10)
print("-" * 10)
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2021-12-31':'2022-03-05']) #获取某个日期区间的数据
print("-" * 10)
print(df['2021-12-31':'2022-03-06']) #获取某个日期区间的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
订单付款时间 买家姓名 支付金额
0 2021-12-31 13:23:02 李大杰 30
1 2022-03-05 08:12:18 Jacky 40
2 2023-11-07 02:01:00 zhuohua 80
----------
----------
买家姓名 支付金额
订单付款时间
2021-12-31 13:23:02 李大杰 30
----------
买家姓名 支付金额
订单付款时间
2021-12-31 13:23:02 李大杰 30
2022-03-05 08:12:18 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'订单付款时间':['2021-12-31 13:23:02','2022-03-05 08:12:18','2023-11-07 02:01:00'],
'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80]})
print(df)
print("-" * 10)
print("-" * 10)
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2021-12-31 00:00:00':'2022-03-05 00:00:00']) #获取某个日期时间区间的数据
print("-" * 10)
print(df['2021-12-31 00:00:00':'2022-03-05 09:00:00']) #获取某个日期时间区间的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
订单付款时间 买家姓名 支付金额
0 2021-12-31 13:23:02 李大杰 30
1 2022-03-05 08:12:18 Jacky 40
2 2023-11-07 02:01:00 zhuohua 80
----------
----------
买家姓名 支付金额
订单付款时间
2021-12-31 13:23:02 李大杰 30
----------
买家姓名 支付金额
订单付款时间
2021-12-31 13:23:02 李大杰 30
2022-03-05 08:12:18 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31 13:23:02','2022-03-05 08:12:18','2023-11-07 02:01:00'],
})
print(df)
print("-" * 10)
print("-" * 10)
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2021-12-31 00:00:00':'2022-03-05 08:12:00']) #获取某个日期时间区间的数据
print("-" * 10)
print(df['2021-12-31 00:00:00':'2022-03-05 08:12:18']) #获取某个日期时间区间的数据
print("-" * 10)
print(df['2021-12-31 13:00:00':'2022-03-05 08:12:19']) #获取某个日期时间区间的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31 13:23:02
1 Jacky 40 2022-03-05 08:12:18
2 zhuohua 80 2023-11-07 02:01:00
----------
----------
买家姓名 支付金额
订单付款时间
2021-12-31 13:23:02 李大杰 30
----------
买家姓名 支付金额
订单付款时间
2021-12-31 13:23:02 李大杰 30
2022-03-05 08:12:18 Jacky 40
----------
买家姓名 支付金额
订单付款时间
2021-12-31 13:23:02 李大杰 30
2022-03-05 08:12:18 Jacky 40
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2023-11-07']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2022']) #获取某一年的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2023-11-07
----------
----------
买家姓名 支付金额
订单付款时间
2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2022-12-31','2022-03-05','2023-11-07']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
## 获取某一年的数据：
Result_1 = df['2022']
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2022-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2023-11-07
----------
----------
买家姓名 支付金额
订单付款时间
2022-12-31 李大杰 30
2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2023-11-07']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2022-02']) #获取某一个月的数据
print("-" * 10)
print(df['2022-03']) #获取某一个月的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2023-11-07
----------
----------
Empty DataFrame
Columns: [买家姓名, 支付金额]
Index: []
----------
买家姓名 支付金额
订单付款时间
2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2023-11-07']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2022-03-03':'2022-03-03']) #获取某一天的数据
print("-" * 10)
print(df['2022-03-05':'2022-03-05']) #获取某一天的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2023-11-07
----------
----------
Empty DataFrame
Columns: [买家姓名, 支付金额]
Index: []
----------
买家姓名 支付金额
订单付款时间
2022-03-05 Jacky 40
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2023-11-07']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2022-03-03':'2023-11-07']) #获取连续几天的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2023-11-07
----------
----------
买家姓名 支付金额
订单付款时间
2022-03-05 Jacky 40
2023-11-07 zhuohua 80
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2022-11-7 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2022']) #获取某一年的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2022-11-7 08:12:18
----------
----------
买家姓名 支付金额
订单付款时间
2022-03-05 00:00:00 Jacky 40
2022-11-07 08:12:18 zhuohua 80
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2022-12-31','2022-03-05','2022-3-17 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2022-03']) #获取某一个月的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2022-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2022-3-17 08:12:18
----------
----------
买家姓名 支付金额
订单付款时间
2022-03-05 00:00:00 Jacky 40
2022-03-17 08:12:18 zhuohua 80
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2022-3-5 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2022-03-05':'2022-03-05']) #获取某一天的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2022-3-5 08:12:18
----------
----------
买家姓名 支付金额
订单付款时间
2022-03-05 00:00:00 Jacky 40
2022-03-05 08:12:18 zhuohua 80
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2022-03-09 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2022-03-05':'2022-03-09']) #获取连续几天的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2022-03-09 08:12:18
----------
----------
买家姓名 支付金额
订单付款时间
2022-03-05 00:00:00 Jacky 40
2022-03-09 08:12:18 zhuohua 80
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2022-03-09 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
print(df['2022-03-05':'2022-03-09 08:10:18']) #获取连续几天的数据
print("-" * 10)
print(df['2022-03-05 00:12:18':'2022-03-09 08:12:18']) #获取连续几天的数据
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2022-03-09 08:12:18
----------
----------
买家姓名 支付金额
订单付款时间
2022-03-05 Jacky 40
----------
买家姓名 支付金额
订单付款时间
2022-03-09 08:12:18 zhuohua 80
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2022-12-12']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('AS').sum().to_period('A') #按年统计数据（求和）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2022-12-12
----------
----------
支付金额
订单付款时间
2021 30
2022 120
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'买家年龄':[35,45,55],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2022-3-5 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('AS').sum().to_period('A') #按年统计数据（求和）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 买家年龄 支付金额 订单付款时间
0 李大杰 35 30 2021-12-31
1 Jacky 45 40 2022-03-05
2 zhuohua 55 80 2022-3-5 08:12:18
----------
----------
买家年龄 支付金额
订单付款时间
2021 35 30
2022 100 120
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'买家年龄':[35,45,55],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2022-03-05 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
## 一次性删除列标题为“买家年龄”、“买家姓名”的数据：
df.drop(['买家年龄','买家姓名'],axis=1,inplace=True)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('AS').sum().to_period('A') #按年统计数据（求和）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 买家年龄 支付金额 订单付款时间
0 李大杰 35 30 2021-12-31
1 Jacky 45 40 2022-03-05
2 zhuohua 55 80 2022-03-05 08:12:18
----------
----------
支付金额
订单付款时间
2021 30
2022 120
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-05','2022-4-5 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('Q').sum().to_period('Q') #按季度统计数据（求和）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-05
2 zhuohua 80 2022-4-5 08:12:18
----------
----------
支付金额
订单付款时间
2021Q4 30
2022Q1 40
2022Q2 80
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-05','2022-3-5 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('Q').sum().to_period('Q') #按季度统计数据（求和）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-05
2 zhuohua 80 2022-3-5 08:12:18
----------
----------
支付金额
订单付款时间
2021Q4 30
2022Q1 120
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-05','2022-1-8 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('M').sum().to_period('M') #按月统计数据（求和）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-05
2 zhuohua 80 2022-1-8 08:12:18
----------
----------
支付金额
订单付款时间
2021-12 30
2022-01 120
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-05','2022-4-8 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('M').sum().to_period('M') #按月统计数据（求和）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-05
2 zhuohua 80 2022-4-8 08:12:18
----------
----------
支付金额
订单付款时间
2021-12 30
2022-01 40
2022-02 0
2022-03 0
2022-04 80
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-05','2022-1-8 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('W').sum().to_period('W') #按星期统计数据（求和）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-05
2 zhuohua 80 2022-1-8 08:12:18
----------
----------
支付金额
订单付款时间
2021-12-27/2022-01-02 30
2022-01-03/2022-01-09 120
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-02','2022-4-8 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('W').sum().to_period('W') #按星期统计数据（求和）
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-02
2 zhuohua 80 2022-4-8 08:12:18
----------
----------
支付金额
订单付款时间
2021-12-27/2022-01-02 70
2022-01-03/2022-01-09 0
2022-01-10/2022-01-16 0
2022-01-17/2022-01-23 0
2022-01-24/2022-01-30 0
2022-01-31/2022-02-06 0
2022-02-07/2022-02-13 0
2022-02-14/2022-02-20 0
2022-02-21/2022-02-27 0
2022-02-28/2022-03-06 0
2022-03-07/2022-03-13 0
2022-03-14/2022-03-20 0
2022-03-21/2022-03-27 0
2022-03-28/2022-04-03 0
2022-04-04/2022-04-10 80
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 首先创建一个包含9个一小时的时间序列：
index = pd.date_range('02/02/2023',periods=9,freq='H')
df = pd.Series(range(9), index=index)
print(df)
print("-" * 10)
print("-" * 10)
print(df.resample('3H').sum()) #将时间序列转换为3小时后求和（降采样处理）
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-02-02 00:00:00 0
2023-02-02 01:00:00 1
2023-02-02 02:00:00 2
2023-02-02 03:00:00 3
2023-02-02 04:00:00 4
2023-02-02 05:00:00 5
2023-02-02 06:00:00 6
2023-02-02 07:00:00 7
2023-02-02 08:00:00 8
Freq: H, dtype: int64
----------
----------
2023-02-02 00:00:00 3
2023-02-02 03:00:00 12
2023-02-02 06:00:00 21
Freq: 3H, dtype: int64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2023-02-02 01:00:00','2023-02-02 02:00:20','2023-02-02 03:07:00']
})
print(df)
print("-" * 10)
print("-" * 10)
df.rename(columns={'订单付款时间':'订单付款时间（每隔两个小时求一次和）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款时间（每隔两个小时求一次和）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
## 将时间序列转换为2小时后求和：
Result_1 = df.resample('2H').sum()
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2023-02-02 01:00:00
1 Jacky 40 2023-02-02 02:00:20
2 zhuohua 80 2023-02-02 03:07:00
----------
----------
支付金额
订单付款时间（每隔两个小时求一次和）
2023-02-02 00:00:00 30
2023-02-02 02:00:00 120
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2023-02-02 00:00:01','2023-02-02 01:10:20','2023-02-02 13:07:00']
})
print(df)
print("-" * 10)
print("-" * 10)
df.rename(columns={'订单付款时间':'订单付款时间（每隔两个小时求一次和）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款时间（每隔两个小时求一次和）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
## 将时间序列转换为2小时后求和：
Result_1 = df.resample('2H').sum()
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2023-02-02 00:00:01
1 Jacky 40 2023-02-02 01:10:20
2 zhuohua 80 2023-02-02 13:07:00
----------
----------
支付金额
订单付款时间（每隔两个小时求一次和）
2023-02-02 00:00:00 70
2023-02-02 02:00:00 0
2023-02-02 04:00:00 0
2023-02-02 06:00:00 0
2023-02-02 08:00:00 0
2023-02-02 10:00:00 0
2023-02-02 12:00:00 80
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 首先创建一个包含9个一分钟的时间序列：
index = pd.date_range('02/02/2023',periods=9,freq='T')
df = pd.Series(range(9), index=index)
print(df)
print("-" * 10)
print("-" * 10)
print(df.resample('3T').sum()) #将时间序列转换为3分钟后求和（降采样处理）
print("-" * 10)
print(df.resample('4T').sum()) #将时间序列转换为4分钟后求和（降采样处理）
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-02-02 00:00:00 0
2023-02-02 00:01:00 1
2023-02-02 00:02:00 2
2023-02-02 00:03:00 3
2023-02-02 00:04:00 4
2023-02-02 00:05:00 5
2023-02-02 00:06:00 6
2023-02-02 00:07:00 7
2023-02-02 00:08:00 8
Freq: T, dtype: int64
----------
----------
2023-02-02 00:00:00 3
2023-02-02 00:03:00 12
2023-02-02 00:06:00 21
Freq: 3T, dtype: int64
----------
2023-02-02 00:00:00 6
2023-02-02 00:04:00 22
2023-02-02 00:08:00 8
Freq: 4T, dtype: int64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2023-02-02 01:00:00','2023-02-02 01:02:20','2023-02-02 01:07:40']
})
print(df)
print("-" * 10)
print("-" * 10)
df.rename(columns={'订单付款时间':'订单付款时间（每隔三分钟求一次和）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款时间（每隔三分钟求一次和）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
## 将时间序列转换为3分钟后求和：
Result_1 = df.resample('3T').sum()
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2023-02-02 01:00:00
1 Jacky 40 2023-02-02 01:02:20
2 zhuohua 80 2023-02-02 01:07:40
----------
----------
支付金额
订单付款时间（每隔三分钟求一次和）
2023-02-02 01:00:00 70
2023-02-02 01:03:00 0
2023-02-02 01:06:00 80
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
Index_1 = pd.date_range('20230201','20230215')
Data_1 = [3,6,7,4,2,1,3,8,9,10,12,15,13,22,14]
df = pd.Series(Data_1,index=Index_1)
print(df)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-02-01 3
2023-02-02 6
2023-02-03 7
2023-02-04 4
2023-02-05 2
2023-02-06 1
2023-02-07 3
2023-02-08 8
2023-02-09 9
2023-02-10 10
2023-02-11 12
2023-02-12 15
2023-02-13 13
2023-02-14 22
2023-02-15 14
Freq: D, dtype: int64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
Index_1 = pd.date_range('20230201','20230215')
Data_1 = [3,6,7,4,2,1,3,8,9,10,12,15,13,22,14]
df = pd.Series(Data_1,index=Index_1)
print(df)
print("-" * 10)
print(df.rolling(3).max()) #使用rolling函数计算每三个观测值的最大值，空值用NaN代替
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-02-01 3
2023-02-02 6
2023-02-03 7
2023-02-04 4
2023-02-05 2
2023-02-06 1
2023-02-07 3
2023-02-08 8
2023-02-09 9
2023-02-10 10
2023-02-11 12
2023-02-12 15
2023-02-13 13
2023-02-14 22
2023-02-15 14
Freq: D, dtype: int64
----------
2023-02-01 NaN
2023-02-02 NaN
2023-02-03 7.0
2023-02-04 7.0
2023-02-05 7.0
2023-02-06 4.0
2023-02-07 3.0
2023-02-08 8.0
2023-02-09 9.0
2023-02-10 10.0
2023-02-11 12.0
2023-02-12 15.0
2023-02-13 15.0
2023-02-14 22.0
2023-02-15 22.0
Freq: D, dtype: float64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
Index_1 = pd.date_range('20230201','20230215')
Data_1 = [3,6,7,4,2,1,3,8,9,10,12,15,13,22,14]
df = pd.Series(Data_1,index=Index_1)
print(df)
print("-" * 10)
print(df.rolling(3).min()) #使用rolling函数计算每三个观测值的最小值，空值用NaN代替
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-02-01 3
2023-02-02 6
2023-02-03 7
2023-02-04 4
2023-02-05 2
2023-02-06 1
2023-02-07 3
2023-02-08 8
2023-02-09 9
2023-02-10 10
2023-02-11 12
2023-02-12 15
2023-02-13 13
2023-02-14 22
2023-02-15 14
Freq: D, dtype: int64
----------
2023-02-01 NaN
2023-02-02 NaN
2023-02-03 3.0
2023-02-04 4.0
2023-02-05 2.0
2023-02-06 1.0
2023-02-07 1.0
2023-02-08 1.0
2023-02-09 3.0
2023-02-10 8.0
2023-02-11 9.0
2023-02-12 10.0
2023-02-13 12.0
2023-02-14 13.0
2023-02-15 13.0
Freq: D, dtype: float64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
Index_1 = pd.date_range('20230201','20230215')
Data_1 = [3,6,7,4,2,1,3,8,9,10,12,15,13,22,14]
df = pd.Series(Data_1,index=Index_1)
print(df)
print("-" * 10)
print(df.rolling(3).median()) #使用rolling函数计算每三个观测值的中位数，空值用NaN代替
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-02-01 3
2023-02-02 6
2023-02-03 7
2023-02-04 4
2023-02-05 2
2023-02-06 1
2023-02-07 3
2023-02-08 8
2023-02-09 9
2023-02-10 10
2023-02-11 12
2023-02-12 15
2023-02-13 13
2023-02-14 22
2023-02-15 14
Freq: D, dtype: int64
----------
2023-02-01 NaN
2023-02-02 NaN
2023-02-03 6.0
2023-02-04 6.0
2023-02-05 4.0
2023-02-06 2.0
2023-02-07 2.0
2023-02-08 3.0
2023-02-09 8.0
2023-02-10 9.0
2023-02-11 10.0
2023-02-12 12.0
2023-02-13 13.0
2023-02-14 15.0
2023-02-15 14.0
Freq: D, dtype: float64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
Index_1 = pd.date_range('20230201','20230215')
Data_1 = [3,6,7,4,2,1,3,8,9,10,12,15,13,22,14]
df = pd.Series(Data_1,index=Index_1)
print(df)
print("-" * 10)
print(df.rolling(3).sum()) #使用rolling函数计算每三个观测值的和，空值用NaN代替
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-02-01 3
2023-02-02 6
2023-02-03 7
2023-02-04 4
2023-02-05 2
2023-02-06 1
2023-02-07 3
2023-02-08 8
2023-02-09 9
2023-02-10 10
2023-02-11 12
2023-02-12 15
2023-02-13 13
2023-02-14 22
2023-02-15 14
Freq: D, dtype: int64
----------
2023-02-01 NaN
2023-02-02 NaN
2023-02-03 16.0
2023-02-04 17.0
2023-02-05 13.0
2023-02-06 7.0
2023-02-07 6.0
2023-02-08 12.0
2023-02-09 20.0
2023-02-10 27.0
2023-02-11 31.0
2023-02-12 37.0
2023-02-13 40.0
2023-02-14 50.0
2023-02-15 49.0
Freq: D, dtype: float64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-01','2022-01-02']
})
print(df)
print("-" * 10)
print("-" * 10)
## 删除列标题为“买家姓名”的数据：
df.drop(['买家姓名'],axis=1,inplace=True)
df.rename(columns={'订单付款时间':'订单付款时间（每隔3天统计一次）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款时间（每隔3天统计一次）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
print(df.rolling(3).sum()) #使用rolling函数计算每三个观测值的和，空值用NaN代替
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-01
2 zhuohua 80 2022-01-02
----------
----------
支付金额
订单付款时间（每隔3天统计一次）
2021-12-31 NaN
2022-01-01 NaN
2022-01-02 150.0
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-01','2022-01-02']
})
print(df)
print("-" * 10)
print("-" * 10)
## 删除列标题为“买家姓名”的数据：
df.drop(['买家姓名'],axis=1,inplace=True)
df.rename(columns={'订单付款时间':'订单付款时间（每隔3天统计一次）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款时间（每隔3天统计一次）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
print(df.rolling(3,min_periods=2).sum()) #使用rolling函数计算每三个观测值的和；使用“min_periods”参数，不满3天的，求2天的和
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-01
2 zhuohua 80 2022-01-02
----------
----------
支付金额
订单付款时间（每隔3天统计一次）
2021-12-31 NaN
2022-01-01 70.0
2022-01-02 150.0
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-01','2022-01-02']
})
print(df)
print("-" * 10)
print("-" * 10)
## 删除列标题为“买家姓名”的数据：
df.drop(['买家姓名'],axis=1,inplace=True)
df.rename(columns={'订单付款时间':'订单付款时间（每隔3天统计一次）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款时间（每隔3天统计一次）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
## 使用rolling函数计算每三个观测值的和；使用“min_periods”参数，不满3天的，求1天的和：
Reuslt_1 = df.rolling(3,min_periods=1).sum()
print(Reuslt_1)
脚本运行的结果：（不满3天但满2天的求2天的和；不满3天也不满2天的求1天的和）
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-01
2 zhuohua 80 2022-01-02
----------
----------
支付金额
订单付款时间（每隔3天统计一次）
2021-12-31 30.0
2022-01-01 70.0
2022-01-02 150.0
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-01','2022-01-02']
})
print(df)
print("-" * 10)
print("-" * 10)
## 删除列标题为“买家姓名”的数据：
df.drop(['买家姓名'],axis=1,inplace=True)
df.rename(columns={'订单付款时间':'订单付款时间（每隔2天统计一次）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款时间（每隔2天统计一次）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
print(df.rolling(2).mean()) #使用rolling函数计算每两个观测值的平均值，空值用NaN代替
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-01
2 zhuohua 80 2022-01-02
----------
----------
支付金额
订单付款时间（每隔2天统计一次）
2021-12-31 NaN
2022-01-01 35.0
2022-01-02 60.0
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31 11:02:13','2022-01-01 01:13:16','2022-01-02 08:08:18']
})
print(df)
print("-" * 10)
print("-" * 10)
## 使用split函数分割"订单付款时间"这一列的数据：
Result_1 = df['订单付款时间'].str.split(' ',expand=True) #这里的分隔符为空格
df['订单付款日期'] = Result_1[0]
df['时间'] = Result_1[1]
print(df)
print("-" * 10)
## 一次性删除列标题为“订单付款时间”、、“时间”、“买家姓名”的数据：
df.drop(['订单付款时间','时间','买家姓名'],axis=1,inplace=True)
print(df)
print("-" * 10)
df.rename(columns={'订单付款日期':'订单付款日期（每隔2天统计一次）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款日期（每隔2天统计一次）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
print(df.rolling(2).mean()) #使用rolling函数计算每两个观测值的平均值，空值用NaN代替
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31 11:02:13
1 Jacky 40 2022-01-01 01:13:16
2 zhuohua 80 2022-01-02 08:08:18
----------
----------
买家姓名 支付金额 订单付款时间 订单付款日期 时间
0 李大杰 30 2021-12-31 11:02:13 2021-12-31 11:02:13
1 Jacky 40 2022-01-01 01:13:16 2022-01-01 01:13:16
2 zhuohua 80 2022-01-02 08:08:18 2022-01-02 08:08:18
----------
支付金额 订单付款日期
0 30 2021-12-31
1 40 2022-01-01
2 80 2022-01-02
----------
支付金额
订单付款日期（每隔2天统计一次）
2021-12-31 NaN
2022-01-01 35.0
2022-01-02 60.0
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
import numpy as np
pd.set_option('display.unicode.east_asian_width',True)
## 创建一个时间序列，起始日期是2023-02-02，一共2天，每天的00:00:00对应的数值分别是1、2，
## 通过升采样处理为每6小时统计一次数据，空值用NaN代替：
Index_1 = pd.date_range('20230202',periods=2)
print(Index_1)
print("-" * 10)
df1 = pd.Series(np.arange(1,3),index=Index_1)
print(df1)
print("-" * 10)
df2 = df1.resample('6H').asfreq() #将时间序列转换为6小时
print(df2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
DatetimeIndex(['2023-02-02', '2023-02-03'], dtype='datetime64[ns]', freq='D')
----------
2023-02-02 1
2023-02-03 2
Freq: D, dtype: int32
----------
2023-02-02 00:00:00 1.0
2023-02-02 06:00:00 NaN
2023-02-02 12:00:00 NaN
2023-02-02 18:00:00 NaN
2023-02-03 00:00:00 2.0
Freq: 6H, dtype: float64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
import numpy as np
pd.set_option('display.unicode.east_asian_width',True)
## 创建一个时间序列，起始日期是2023-02-02，一共3天，每天的00:00:00对应的数值分别是1、2、3，
## 通过升采样处理为每8小时统计一次数据，空值用NaN代替：
Index_1 = pd.date_range('20230202',periods=3)
df1 = pd.Series(np.arange(1,4),index=Index_1)
df2 = df1.resample('8H').asfreq() #将时间序列转换为8小时
print(df2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-02-02 00:00:00 1.0
2023-02-02 08:00:00 NaN
2023-02-02 16:00:00 NaN
2023-02-03 00:00:00 2.0
2023-02-03 08:00:00 NaN
2023-02-03 16:00:00 NaN
2023-02-04 00:00:00 3.0
Freq: 8H, dtype: float64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
import numpy as np
pd.set_option('display.unicode.east_asian_width',True)
## 创建一个时间序列，起始日期是2023-02-02，一共3天，每天的00:00:00对应的数值分别是1、5、9，
## 通过升采样处理为每8小时统计一次数据，空值用NaN代替：
Index_1 = pd.date_range('20230202','20230204')
print(Index_1)
print("-" * 10)
df1 = pd.Series([1,5,9],index=Index_1)
print(df1)
print("-" * 10)
df2 = df1.resample('8H').asfreq() #将时间序列转换为8小时
print(df2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
DatetimeIndex(['2023-02-02', '2023-02-03', '2023-02-04'], dtype='datetime64[ns]', freq='D')
----------
2023-02-02 1
2023-02-03 5
2023-02-04 9
Freq: D, dtype: int64
----------
2023-02-02 00:00:00 1.0
2023-02-02 08:00:00 NaN
2023-02-02 16:00:00 NaN
2023-02-03 00:00:00 5.0
2023-02-03 08:00:00 NaN
2023-02-03 16:00:00 NaN
2023-02-04 00:00:00 9.0
Freq: 8H, dtype: float64
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
import numpy as np
pd.set_option('display.unicode.east_asian_width',True)
Index_1 = pd.date_range('20230202','20230204')
print(Index_1)
print("-" * 10)
df1 = pd.Series(['李大杰','Jacky','zhuohua'],index=Index_1)
print(df1)
print("-" * 10)
df2 = df1.resample('12H').asfreq() #将时间序列转换为12小时
print(df2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
DatetimeIndex(['2023-02-02', '2023-02-03', '2023-02-04'], dtype='datetime64[ns]', freq='D')
----------
2023-02-02 李大杰
2023-02-03 Jacky
2023-02-04 zhuohua
Freq: D, dtype: object
----------
2023-02-02 00:00:00 李大杰
2023-02-02 12:00:00 NaN
2023-02-03 00:00:00 Jacky
2023-02-03 12:00:00 NaN
2023-02-04 00:00:00 zhuohua
Freq: 12H, dtype: object
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
import numpy as np
pd.set_option('display.unicode.east_asian_width',True)
Index_1 = pd.date_range('3/2/2023',periods=12,freq='T')
df = pd.Series(np.arange(12),index=Index_1)
print(df)
print("-" * 10)
## 在金融领域，会看到开盘价（open）、最高价（high）、最低价（low）、收盘价（close）等信息，使用Pandas的重采样也可以实现；
Result_1 = df.resample('5min').ohlc() #使用ohlc函数将时间序列转换为5分钟后，获取每组的open、high、low、close
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-03-02 00:00:00 0
2023-03-02 00:01:00 1
2023-03-02 00:02:00 2
2023-03-02 00:03:00 3
2023-03-02 00:04:00 4
2023-03-02 00:05:00 5
2023-03-02 00:06:00 6
2023-03-02 00:07:00 7
2023-03-02 00:08:00 8
2023-03-02 00:09:00 9
2023-03-02 00:10:00 10
2023-03-02 00:11:00 11
Freq: T, dtype: int32
----------
open high low close
2023-03-02 00:00:00 0 4 0 4
2023-03-02 00:05:00 5 9 5 9
2023-03-02 00:10:00 10 11 10 11
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
import numpy as np
pd.set_option('display.unicode.east_asian_width',True)
Index_1 = pd.date_range('3/2/2023',periods=12,freq='H')
df = pd.Series(np.arange(12),index=Index_1)
print(df)
print("-" * 10)
Result_1 = df.resample('5H').ohlc() #使用ohlc函数将时间序列转换为5小时后，获取每组的open、high、low、close
print(Result_1)
print("-" * 10)
Result_2 = df.resample('6H').ohlc() #使用ohlc函数将时间序列转换为6小时后，获取每组的open、high、low、close
print(Result_2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
2023-03-02 00:00:00 0
2023-03-02 01:00:00 1
2023-03-02 02:00:00 2
2023-03-02 03:00:00 3
2023-03-02 04:00:00 4
2023-03-02 05:00:00 5
2023-03-02 06:00:00 6
2023-03-02 07:00:00 7
2023-03-02 08:00:00 8
2023-03-02 09:00:00 9
2023-03-02 10:00:00 10
2023-03-02 11:00:00 11
Freq: H, dtype: int32
----------
open high low close
2023-03-02 00:00:00 0 4 0 4
2023-03-02 05:00:00 5 9 5 9
2023-03-02 10:00:00 10 11 10 11
----------
open high low close
2023-03-02 00:00:00 0 5 0 5
2023-03-02 06:00:00 6 11 6 11
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-01-05','2022-03-05']
})
print(df)
print("-" * 10)
print("-" * 10)
## 删除列标题为“买家姓名”的数据：
df.drop(['买家姓名'],axis=1,inplace=True)
df.rename(columns={'订单付款时间':'订单付款时间（每隔6天统计一次）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款时间（每隔6天统计一次）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
Result_1 = df.resample('6D').ohlc() #使用ohlc函数将时间序列转换为6天后，获取每组的open、high、low、close
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31
1 Jacky 40 2022-01-05
2 zhuohua 80 2022-03-05
----------
----------
支付金额
open high low close
订单付款时间（每隔6天统计一次）
2021-12-31 30.0 40.0 30.0 40.0
2022-01-06 NaN NaN NaN NaN
2022-01-12 NaN NaN NaN NaN
2022-01-18 NaN NaN NaN NaN
2022-01-24 NaN NaN NaN NaN
2022-01-30 NaN NaN NaN NaN
2022-02-05 NaN NaN NaN NaN
2022-02-11 NaN NaN NaN NaN
2022-02-17 NaN NaN NaN NaN
2022-02-23 NaN NaN NaN NaN
2022-03-01 80.0 80.0 80.0 80.0
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua','Mary'],'支付金额':[30,40,80,100.5],
'订单付款时间':['2021-12-31','2022-01-05','2022-03-05 08:12:18','2022-03-10 12:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
## 删除列标题为“买家姓名”的数据：
df.drop(['买家姓名'],axis=1,inplace=True)
df.rename(columns={'订单付款时间':'订单付款时间（每隔10天统计一次）'},inplace=True) #修改一个列标题
df = df.set_index('订单付款时间（每隔10天统计一次）') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
Result_1 = df.resample('10D').ohlc() #使用ohlc函数将时间序列转换为10天后，获取每组的open、high、low、close
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30.0 2021-12-31
1 Jacky 40.0 2022-01-05
2 zhuohua 80.0 2022-03-05 08:12:18
3 Mary 100.5 2022-03-10 12:12:18
----------
----------
支付金额
open high low close
订单付款时间（每隔10天统计一次）
2021-12-31 30.0 40.0 30.0 40.0
2022-01-10 NaN NaN NaN NaN
2022-01-20 NaN NaN NaN NaN
2022-01-30 NaN NaN NaN NaN
2022-02-09 NaN NaN NaN NaN
2022-02-19 NaN NaN NaN NaN
2022-03-01 80.0 100.5 80.0 100.5
C:\Users\jacky\Desktop>
Pandas的导出和导入（htm文件）：
列出当前环境所有已经安装的第三方库的名称和其版本号:
C:\Users\jacky\Desktop>pip3 freeze
lxml==4.9.3
numpy==1.19.5
pandas==1.1.5
python-dateutil==2.8.2
pytz==2023.3
six==1.16.0
C:\Users\jacky\Desktop>
######
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2022-12-31','2022-03-05','2023-11-07']
})
print(df)
print("-" * 10)
print("-" * 10)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
## 获取某一年的数据：
Result_1 = df['2022']
print(Result_1)
print("-" * 10)
Result_2 = Result_1.copy()
Result_2.sort_values(by='订单付款时间',ascending=True, inplace=True) #按“订单付款时间”进行排序（升序）
print(Result_2)
## 把结果导出到指定的htm文件：
Result_2.to_html('D:/mybook_1.htm',index=True,header=True) #保留索引（行标题）、列标题
print("-" * 10)
print("-" * 10)
print("-" * 10)
Result_3 = pd.read_html('D:/mybook_1.htm',encoding='utf-8') #导入指定的htm文件
print(Result_3)
print("-" * 3)
print(Result_3[0])
print("-" * 10)
## 修改多个列标题：
Result_4 = Result_3[0]
Result_4 .rename(columns={'Unnamed: 0_level_0':'Null','Unnamed: 1_level_1':'Null','Unnamed: 2_level_1':'Null'},inplace=True)
print(Result_4 )
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2022-12-31
1 Jacky 40 2022-03-05
2 zhuohua 80 2023-11-07
----------
----------
买家姓名 支付金额
订单付款时间
2022-12-31 李大杰 30
2022-03-05 Jacky 40
----------
买家姓名 支付金额
订单付款时间
2022-03-05 Jacky 40
2022-12-31 李大杰 30
----------
----------
----------
[ Unnamed: 0_level_0 买家姓名 支付金额
订单付款时间 Unnamed: 1_level_1 Unnamed: 2_level_1
0 2022-03-05 Jacky 40
1 2022-12-31 李大杰 30]
---
Unnamed: 0_level_0 买家姓名 支付金额
订单付款时间 Unnamed: 1_level_1 Unnamed: 2_level_1
0 2022-03-05 Jacky 40
1 2022-12-31 李大杰 30
----------
Null 买家姓名 支付金额
订单付款时间 Null Null
0 2022-03-05 Jacky 40
1 2022-12-31 李大杰 30
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31 13:23:02','2022-03-05 08:12:18','2023-11-07 02:01:00'],
})
print(df)
print("-" * 10)
print("-" * 10)
df = df.set_index('订单付款时间') #设置指定列的数据为索引
## 获取某个日期时间区间的数据：
Result_1 = df['2021-12-31 13:23:02':'2022-03-05 08:12:18']
print(Result_1)
print("-" * 10)
Result_2 = Result_1.copy()
Result_2.sort_values(by='订单付款时间',ascending=False, inplace=True) #按“订单付款时间”进行排序（降序）
print(Result_2)
## 把结果导出到指定的htm文件：
Result_2.to_html('D:/mybook_2.htm',index=True,header=True) #保留索引（行标题）、列标题
print("-" * 10)
print("-" * 10)
print("-" * 10)
Result_3 = pd.read_html('D:/mybook_2.htm',encoding='utf-8') #导入指定的htm文件
print(Result_3)
print("-" * 3)
print(Result_3[0])
print("-" * 10)
## 修改多个列标题：
Result_4 = Result_3[0]
Result_4 .rename(columns={'Unnamed: 0_level_0':'Null','Unnamed: 1_level_1':1,'Unnamed: 2_level_1':2},inplace=True)
print(Result_4)
print("-" * 3)
## 不输出索引：
Result_5 = Result_4.to_string(index=False)
print(Result_5)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额 订单付款时间
0 李大杰 30 2021-12-31 13:23:02
1 Jacky 40 2022-03-05 08:12:18
2 zhuohua 80 2023-11-07 02:01:00
----------
----------
买家姓名 支付金额
订单付款时间
2021-12-31 13:23:02 李大杰 30
2022-03-05 08:12:18 Jacky 40
----------
买家姓名 支付金额
订单付款时间
2022-03-05 08:12:18 Jacky 40
2021-12-31 13:23:02 李大杰 30
----------
----------
----------
[ Unnamed: 0_level_0 买家姓名 支付金额
订单付款时间 Unnamed: 1_level_1 Unnamed: 2_level_1
0 2022-03-05 08:12:18 Jacky 40
1 2021-12-31 13:23:02 李大杰 30]
---
Unnamed: 0_level_0 买家姓名 支付金额
订单付款时间 Unnamed: 1_level_1 Unnamed: 2_level_1
0 2022-03-05 08:12:18 Jacky 40
1 2021-12-31 13:23:02 李大杰 30
----------
Null 买家姓名 支付金额
订单付款时间 1 2
0 2022-03-05 08:12:18 Jacky 40
1 2021-12-31 13:23:02 李大杰 30
---
Null 买家姓名 支付金额
订单付款时间 1 2
2022-03-05 08:12:18 Jacky 40
2021-12-31 13:23:02 李大杰 30
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
## 使用字典创建DataFrame数据:
df = pd.DataFrame({'买家姓名':['李大杰','Jacky','zhuohua'],'买家年龄':[35,45,55],'支付金额':[30,40,80],
'订单付款时间':['2021-12-31','2022-03-05','2022-03-05 08:12:18']
})
print(df)
print("-" * 10)
print("-" * 10)
## 一次性删除列标题为“买家年龄”、“买家姓名”的数据：
df.drop(['买家年龄','买家姓名'],axis=1,inplace=True)
df['订单付款时间'] = pd.to_datetime(df['订单付款时间']) #转换为datetime类型
df = df.set_index('订单付款时间') #设置指定列的数据为索引
df.index = pd.to_datetime(df.index)
df = df.resample('AS').sum().to_period('A') #按年统计数据（求和）
Result_1 = df
print(Result_1)
print("-" * 10)
Result_2 = Result_1.copy()
Result_2.sort_values(by='订单付款时间',ascending=False, inplace=True) #按“订单付款时间”进行排序（降序）
print(Result_2)
## 把结果导出到指定的htm文件：
Result_2.to_html('D:/mybook_3.htm',index=True,header=True) #保留索引（行标题）、列标题
print("-" * 10)
print("-" * 10)
print("-" * 10)
Result_3 = pd.read_html('D:/mybook_3.htm',encoding='utf-8') #导入指定的htm文件
print(Result_3)
print("-" * 3)
print(Result_3[0])
print("-" * 10)
## 修改多个列标题：
Result_4 = Result_3[0]
Result_4 .rename(columns={'Unnamed: 0_level_0':' ','Unnamed: 1_level_1':' '},inplace=True)
print(Result_4)
print("-" * 3)
## 不输出索引：
Result_5 = Result_4.to_string(index=False)
print(Result_5)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 买家年龄 支付金额 订单付款时间
0 李大杰 35 30 2021-12-31
1 Jacky 45 40 2022-03-05
2 zhuohua 55 80 2022-03-05 08:12:18
----------
----------
支付金额
订单付款时间
2021 30
2022 120
----------
支付金额
订单付款时间
2022 120
2021 30
----------
----------
----------
[ Unnamed: 0_level_0 支付金额
订单付款时间 Unnamed: 1_level_1
0 2022 120
1 2021 30]
---
Unnamed: 0_level_0 支付金额
订单付款时间 Unnamed: 1_level_1
0 2022 120
1 2021 30
----------
支付金额
订单付款时间
0 2022 120
1 2021 30
---
支付金额
订单付款时间
2022 120
2021 30
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
df1 = pd.read_html('D:/mybook_3.htm',encoding='utf-8') #导入指定的htm文件
print(df1)
print("-" * 3)
print(df1[0])
## 把结果导出到指定的html文件：
df1[0].to_html('D:/Mybook-3.html',index=False,header=True) #不保留索引（行标题），但保留列标题
print("-" * 10)
print("-" * 10)
df2 = pd.read_html('D:/Mybook-3.html',encoding='utf-8') #导入指定的html文件
print(df2)
print("-" * 3)
print(df2[0])
print("-" * 10)
## 修改多个列标题：
Result_1 = df2[0]
Result_1 .rename(columns={'Unnamed: 0_level_0':' ','Unnamed: 1_level_1':' '},inplace=True)
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
[ Unnamed: 0_level_0 支付金额
订单付款时间 Unnamed: 1_level_1
0 2022 120
1 2021 30]
---
Unnamed: 0_level_0 支付金额
订单付款时间 Unnamed: 1_level_1
0 2022 120
1 2021 30
----------
----------
[ Unnamed: 0_level_0 支付金额
订单付款时间 Unnamed: 1_level_1
0 2022 120
1 2021 30]
---
Unnamed: 0_level_0 支付金额
订单付款时间 Unnamed: 1_level_1
0 2022 120
1 2021 30
----------
支付金额
订单付款时间
0 2022 120
1 2021 30
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
df1 = pd.read_html('D:/Mybook-3.html',encoding='utf-8') #导入指定的html文件
print(df1)
print("-" * 3)
print(df1[0])
print("-" * 3)
## 修改多个列标题：
Result_1 = df1[0]
Result_1.rename(columns={'Unnamed: 0_level_0':' ','Unnamed: 1_level_1':' ',
'订单付款时间':'订单付款时间（按年求和）','支付金额':'支付金额(万)'},inplace=True)
print(Result_1)
## 把结果导出到指定的htm文件：
Result_1.to_html('D:/mybook_3.htm',index=False,header=True) #不保留索引（行标题），但保留列标题
print("-" * 10)
print("-" * 10)
df2 = pd.read_html('D:/mybook_3.htm',encoding='utf-8') #导入指定的htm文件
print(df2)
print("-" * 3)
print(df2[0])
print("-" * 3)
## 修改多个列标题：
Result_2 = df2[0]
Result_2 .rename(columns={'Unnamed: 0_level_0':' ','Unnamed: 1_level_1':' '},inplace=True)
print(Result_2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
[ Unnamed: 0_level_0 支付金额
订单付款时间 Unnamed: 1_level_1
0 2022 120
1 2021 30]
---
Unnamed: 0_level_0 支付金额
订单付款时间 Unnamed: 1_level_1
0 2022 120
1 2021 30
---
支付金额(万)
订单付款时间（按年求和）
0 2022 120
1 2021 30
----------
----------
[ Unnamed: 0_level_0 支付金额(万)
订单付款时间（按年求和） Unnamed: 1_level_1
0 2022 120
1 2021 30]
---
Unnamed: 0_level_0 支付金额(万)
订单付款时间（按年求和） Unnamed: 1_level_1
0 2022 120
1 2021 30
---
支付金额(万)
订单付款时间（按年求和）
0 2022 120
1 2021 30
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
df1 = pd.read_html('d:/mybook_2.htm',encoding='utf-8') #导入指定的htm文件
print(df1)
print("-" * 3)
print(df1[0])
print("-" * 3)
## 修改多个列标题：
Result_1 = df1[0]
Result_1.rename(columns={'Unnamed: 0_level_0':' ','Unnamed: 1_level_1':' ','Unnamed: 2_level_1':' ',
'订单付款时间':'订单付款时间（某个日期时间区间）','支付金额':'支付金额(万)'},inplace=True)
print(Result_1)
## 把结果导出到指定的log文件：
Result_1.to_csv('d:/mybook_2.log',sep='\t',index=False,header=True) #不保留索引（行标题），但保留列标题
print("-" * 10)
print("-" * 10)
df2 = pd.read_csv('D:/mybook_2.log',sep='\t',encoding='utf-8') #导入指定的log文件
print(df2)
print("-" * 3)
## 不输出索引：
df2 = df2.to_string(index=False)
print(df2)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
[ Unnamed: 0_level_0 买家姓名 支付金额
订单付款时间 Unnamed: 1_level_1 Unnamed: 2_level_1
0 2022-03-05 08:12:18 Jacky 40
1 2021-12-31 13:23:02 李大杰 30]
---
Unnamed: 0_level_0 买家姓名 支付金额
订单付款时间 Unnamed: 1_level_1 Unnamed: 2_level_1
0 2022-03-05 08:12:18 Jacky 40
1 2021-12-31 13:23:02 李大杰 30
---
买家姓名 支付金额(万)
订单付款时间（某个日期时间区间）
0 2022-03-05 08:12:18 Jacky 40
1 2021-12-31 13:23:02 李大杰 30
----------
----------
买家姓名 支付金额(万)
0 订单付款时间（某个日期时间区间）
1 2022-03-05 08:12:18 Jacky 40
2 2021-12-31 13:23:02 李大杰 30
---
买家姓名 支付金额(万)
订单付款时间（某个日期时间区间）
2022-03-05 08:12:18 Jacky 40
2021-12-31 13:23:02 李大杰 30
C:\Users\jacky\Desktop>
######
#coding=utf-8
import pandas as pd
pd.set_option('display.unicode.east_asian_width',True)
df1 = pd.read_csv('D:/mybook_2.log',sep='\t',encoding='utf-8') #导入指定的log文件
print(df1)
## 把结果导出到指定的htm文件：
df1.to_html('D:/mybook_2.htm',index=False,header=True) #不保留索引（行标题），但保留列标题
print("-" * 10)
print("-" * 10)
df2 = pd.read_html('D:/mybook_2.htm',encoding='utf-8') #导入指定的htm文件
print(df2)
print("-" * 3)
print(df2[0])
print("-" * 10)
## 修改一个列标题：
Result_1 = df2[0]
Result_1 .rename(columns={'Unnamed: 0':' '},inplace=True)
print(Result_1)
print("-" * 3)
Result_1['买家姓名'] = Result_1['买家姓名'].fillna(' ') # 把“买家姓名”那一列的缺失值清空
Result_1['支付金额(万)'] = Result_1['支付金额(万)'].fillna(' ') # 把“支付金额(万)”那一列的缺失值清空
print(Result_1)
print("-" * 3)
## 不输出索引：
Result_1 = Result_1.to_string(index=False)
print(Result_1)
脚本运行的结果：
C:\Users\jacky\Desktop>python xx.py
买家姓名 支付金额(万)
0 订单付款时间（某个日期时间区间）
1 2022-03-05 08:12:18 Jacky 40
2 2021-12-31 13:23:02 李大杰 30
----------
----------
[ Unnamed: 0 买家姓名 支付金额(万)
0 订单付款时间（某个日期时间区间） NaN NaN
1 2022-03-05 08:12:18 Jacky 40.0
2 2021-12-31 13:23:02 李大杰 30.0]
---
Unnamed: 0 买家姓名 支付金额(万)
0 订单付款时间（某个日期时间区间） NaN NaN
1 2022-03-05 08:12:18 Jacky 40.0
2 2021-12-31 13:23:02 李大杰 30.0
----------
买家姓名 支付金额(万)
0 订单付款时间（某个日期时间区间） NaN NaN
1 2022-03-05 08:12:18 Jacky 40.0
2 2021-12-31 13:23:02 李大杰 30.0
---
买家姓名 支付金额(万)
0 订单付款时间（某个日期时间区间）
1 2022-03-05 08:12:18 Jacky 40
2 2021-12-31 13:23:02 李大杰 30
---
买家姓名 支付金额(万)
订单付款时间（某个日期时间区间）
2022-03-05 08:12:18 Jacky 40
2021-12-31 13:23:02 李大杰 30
C:\Users\jacky\Desktop>
相关文章：
Pandas的基础
Pandas的进阶（二）
Pandas的数据清洗
split()函数 |
