Pandas-Gruppe nach Wochentag (M/T/W/T/F/S/S)

Question

Ich habe einen Pandas-Datenframe, der eine Zeitreihe (als Index) der Form YYYY-MM-DD ('arrival_date') und I enthält Ich würde gerne jeden Wochentag (Montag bis Sonntag) gruppieren, um für die anderen Spalten den Mittelwert, Median, Std. usw. zu berechnen. Ich sollte am Ende nur sieben Zeilen haben und bis jetzt habe ich nur herausgefunden wie nach Woche gruppieren, was alles wöchentlich aggregiert.

# Reading the data 
df_data = pd.read_csv('data.csv', delimiter=',') 

# Providing the correct format for the data 
df_data = pd.to_datetime(df_data['arrival_date'], format='%Y%m%d') 

# Converting the time series column to index 
df_data.index = pd.to_datetime(df_data['arrival_date'], unit='d') 

# Grouping by week (= ~52 rows per year) 
week_df = df_data.resample('W').mean() 

Gibt es einen einfachen Weg, um mein Ziel in Pandas zu erreichen? Ich dachte daran, jedes andere siebte Element auszuwählen und Operationen an dem resultierenden Array durchzuführen, aber das erscheint unnötig komplex.

Der Kopf des Datenrahmens wie folgt aussieht

 arrival_date price 1 price_2   price_3  price_4 
2  20170816  75.945298 1309.715056  71.510215  22.721958 
3  20170817  68.803269 1498.639663  64.675232  22.759137 
4  20170818  73.497144 1285.122022  65.620260  24.381532 
5  20170819  78.556828 1377.318509  74.028607  26.882429 
6  20170820  57.092189 1239.530625  51.942213  22.056378 
7  20170821  76.278975 1493.385548  74.801641  27.471604 
8  20170822  79.006604 1241.603185  75.360606  28.250994 
9  20170823  76.097351 1243.586084  73.459963  24.500618 
10  20170824  64.860259 1231.325899  63.205554  25.015120 
11  20170825  70.407325 975.091107  64.180692  27.177654 
12  20170826  87.742284 1351.306100  79.049023  27.860549 
13  20170827  58.014005 1208.424489  51.963388  21.049374 
14  20170828  65.774114 1289.341335  59.922912  24.481232 

Answer 1

Ich glaube, Sie parse_dates erste Parameter müssen in read_csv für Parse-Spalte in Datetime und dann groupby von weekday_name und Aggregate:

df_data = pd.read_csv('data.csv', parse_dates=['arrival_date']) 

week_df = df_data.groupby(df_data['arrival_date'].dt.weekday_name).mean() 
print (week_df) 
       price_1  price_2 price_3 price_4 
arrival_date            
Friday  71.952235 1130.106565 64.900476 25.779593 
Monday  71.026544 1391.363442 67.362277 25.976418 
Saturday  83.149556 1364.312304 76.538815 27.371489 
Sunday  57.553097 1223.977557 51.952801 21.552876 
Thursday  66.831764 1364.982781 63.940393 23.887128 
Tuesday  79.006604 1241.603185 75.360606 28.250994 
Wednesday  76.021324 1276.650570 72.485089 23.611288 

Für numerischer Indexgebrauch weekday:

week_df = df_data.groupby(df_data['arrival_date'].dt.weekday).mean() 
print (week_df) 
       price_1  price_2 price_3 price_4 
arrival_date            
0    71.026544 1391.363442 67.362277 25.976418 
1    79.006604 1241.603185 75.360606 28.250994 
2    76.021324 1276.650570 72.485089 23.611288 
3    66.831764 1364.982781 63.940393 23.887128 
4    71.952235 1130.106565 64.900476 25.779593 
5    83.149556 1364.312304 76.538815 27.371489 
6    57.553097 1223.977557 51.952801 21.552876 

EDIT:

Für eine korrekte Bestellung hinzufügen reindex:

days = ['Monday','Tuesday','Wednesday','Thursday','Friday','Saturday', 'Sunday'] 
week_df = df_data.groupby(df_data['arrival_date'].dt.weekday_name).mean().reindex(days) 
print (week_df) 
       price_1  price_2 price_3 price_4 
arrival_date            
Monday  71.026544 1391.363442 67.362277 25.976418 
Tuesday  79.006604 1241.603185 75.360606 28.250994 
Wednesday  76.021324 1276.650570 72.485089 23.611288 
Thursday  66.831764 1364.982781 63.940393 23.887128 
Friday  71.952235 1130.106565 64.900476 25.779593 
Saturday  83.149556 1364.312304 76.538815 27.371489 
Sunday  57.553097 1223.977557 51.952801 21.552876