Python时间序列透视表教程

本文深入解析了如何在Pandas中灵活构建时间序列透视表——它并非独立功能，而是通过datetime类型转换、pd.Grouper按频率自动分组（如月度'M'、季度'Q'）或dt访问器提取年/季/月等结构化字段，再结合pivot_table实现高效聚合；同时覆盖了实际业务中必遇的难点：缺失周期的补全策略（resample重采样或date_range+reindex）、多级时间维度构建（如年+季组合、Period类型对齐）以及动态列名生成技巧，助你轻松应对不规则时间数据，产出清晰、完整、可直接用于分析与可视化的时序汇总报表。

时间序列透视表在Pandas中不是独立功能，而是通过pd.pivot_table()结合时间列（如日期）的预处理（如dt.year、dt.month、pd.Grouper）实现的。关键在于把时间维度“结构化”为可分组的类别或规则频率，再按需聚合。

用pd.Grouper按时间频率自动分组

这是最简洁、最推荐的方式，尤其适合原始数据含DatetimeIndex或已转为datetime类型的列。

• 先确保时间列为datetime类型：df['date'] = pd.to_datetime(df['date'])
• 设为索引后使用pd.Grouper：df.set_index('date').pivot_table(values='sales', index=pd.Grouper(freq='M'), columns='region', aggfunc='sum')——按月汇总各地区销售额
• 支持常用频率：'D'（日）、'W'（周）、'M'（月末）、'MS'（月初）、'Q'（季度）、'A'（年度）

用dt访问器提取年/月/日等离散字段

适合需要组合多个时间层级（如“2023年华东Q1”），或时间列不便设索引时。

• 添加新列：df['year'] = df['date'].dt.year，df['quarter'] = df['date'].dt.quarter
• 直接用于pivot_table：pd.pivot_table(df, values='revenue', index='year', columns=['region', 'quarter'], aggfunc='mean')
• 注意：dt.quarter返回1–4整数，可配合map转为'Q1'/'Q2'等标签提升可读性

处理非规则时间点与缺失周期

原始数据可能跳过某些日期（如节假日无记录），默认透视表不会补全空周期，需手动对齐。

• 用resample()先重采样再聚合（适用于时间索引）：df.set_index('date').resample('MS').sum().reset_index()，再做透视
• 或用pd.date_range()生成完整时间序列，reindex()补零：full_idx = pd.date_range(start='2023-01-01', end='2023-12-31', freq='MS')，再groupby后reindex(full_idx, fill_value=0)
• 透视表本身不插值，补全逻辑应在pivot_table调用前完成

多级时间索引与动态列名

当需同时观察年份和月份、或按工作日/周末分类时，可构建复合时间维度。

• 新增列组合：df['year_month'] = df['date'].dt.to_period('M')（生成Period类型，天然支持排序和对齐）
• 或用cut()划分时间区间：df['period'] = pd.cut(df['date'].astype('int64'), bins=[start_ts, mid_ts, end_ts], labels=['H1', 'H2'])
• 列名可动态生成：columns=pd.Grouper(key='date', freq='2W')，让每两周自动成一列

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于文章的相关知识，也可关注golang学习网公众号。