Streifen Monate aus zwei Datumsspalten

Question

Ich habe einen Pandas-Datenrahmen, der Verträge Start-und Enddatum und eine Menge hat. Wie würde ich die einzelnen Monate streichen, damit sie aggregiert und grafisch dargestellt werden können?

ex 
Start Date End Date  Demanded  Customer 
1/1/2017 3/31/2017  100   A 
2/1/2017 3/31/2017   50   B 

Streifen aus den Monaten nach dem folgende

Month  Demand Customer 
1/1/2017  100  A 
2/1/2017  100  A 
3/1/2017  100  A 
2/1/2017  50  B 
3/1/2017  50  B 

Endergebnis sind

Answer 1

Diese und dann Graph mit Monaten auf der x-Achse und den Gesamtbedarf auf der y-Achse zu schwenken, kann zuerst Spalten mit Daten to_datetime konvertieren. Verwenden Sie dann itertuples und date_range mit der Häufigkeit MS (Anfang des Monats) mit concat zum Erstellen neuer Erweiterungen DataFrame. Letzte join ursprünglichen Spalten Quantity Demanded und Customer:

df['Start_Date'] = pd.to_datetime(df['Start Date']) 
df['End_Date'] = pd.to_datetime(df['End Date']) 

df1 = pd.concat([pd.Series(r.Index, 
          pd.date_range(r.Start_Date, r.End_Date, freq='MS')) 
          for r in df.itertuples()]) 
     .reset_index() 
df1.columns = ['Month','idx'] 
print (df1) 
     Month idx 
0 2017-01-01 0 
1 2017-02-01 0 
2 2017-03-01 0 
3 2017-02-01 1 
4 2017-03-01 1 

df2 = df1.set_index('idx').join(df[['Quantity Demanded','Customer']]).reset_index(drop=True) 
print (df2) 
     Month Quantity Demanded Customer 
0 2017-01-01    100  A 
1 2017-02-01    100  A 
2 2017-03-01    100  A 
3 2017-02-01     50  B 
4 2017-03-01     50  B 

Answer 2

Mit melt dann resample('MS')

df['Start Date'] = pd.to_datetime(df['Start Date']) 
df['End Date'] = pd.to_datetime(df['End Date']) 

d1 = pd.melt(
    df, ['Demanded', 'Customer'], 
    ['Start Date', 'End Date'], 
    value_name='Date' 
).drop('variable', 1).set_index('Date') 

d1.groupby('Customer').apply(lambda df: df.resample('MS').ffill()) \ 
    .reset_index(0, drop=True) \ 
    .reset_index() 

     Date Demanded Customer 
0 2017-01-01  100  A 
1 2017-02-01  100  A 
2 2017-03-01  100  A 
3 2017-02-01  50  B 
4 2017-03-01  50  B