如何用Pandas按地点统计每日均价、标准差及实现周度聚合？

一、每日价格均值&标准差计算（含空值填充） #

步骤说明 #

因为大部分地点没有每日数据，需要先生成每个地点的完整日期序列，再和原始数据合并，最后分组计算聚合值，缺失数据会自动用NaN填充。

代码实现 #

先确保导入pandas：

import pandas as pd

1. 规范日期格式（修正你的代码）

保留datetime类型更便于后续时间聚合操作：

# 把"Book Date"列转为datetime类型
df['Book Date'] = pd.to_datetime(df['Book Date'])

2. 生成完整的地点-日期组合

# 获取所有唯一地点
all_lanes = df['Lane'].unique()
# 获取数据中的最小/最大日期，确定日期范围
min_date = df['Book Date'].min()
max_date = df['Book Date'].max()
# 生成从最小到最大日期的每日序列
daily_dates = pd.date_range(start=min_date, end=max_date, freq='D')
# 生成所有地点+所有日期的笛卡尔积（完整索引）
full_index = pd.MultiIndex.from_product(
    [all_lanes, daily_dates],
    names=['Lane', 'Book Date']
)

3. 合并原始数据并计算聚合值

# 把原始数据按地点+日期索引，对齐到完整索引（缺失数据自动补NaN）
df_full = df.set_index(['Lane', 'Book Date']).reindex(full_index).reset_index()
# 按地点+日期分组，计算均值和标准差
daily_agg = df_full.groupby(['Lane', 'Book Date'])['Purchase Price'].agg(
    daily_mean='mean',
    daily_std='std'
).reset_index()

运行后daily_agg中，无数据日期对应的daily_mean和daily_std会自动填充为NaN。

二、周度价格均值&标准差计算（含空值填充） #

周度聚合逻辑和每日一致，仅需将日期粒度从“天”替换为“周”。

代码实现 #

方式1：基于完整每日数据生成周度聚合

# 给完整数据添加周标识（这里用每周一作为周起始，可按需调整为W-SUN等）
df_full['Week Start'] = df_full['Book Date'].dt.to_period('W-MON').dt.start_time
# 按地点+周起始分组计算聚合值
weekly_agg = df_full.groupby(['Lane', 'Week Start'])['Purchase Price'].agg(
    weekly_mean='mean',
    weekly_std='std'
).reset_index()

若某周该地点无任何数据，weekly_mean和weekly_std会显示为NaN。

方式2：直接对原始数据做周度聚合（仅保留有数据的周）

如果不需要空值填充，仅计算有数据周的聚合值，可简化为：

weekly_agg_simple = df.groupby(
    ['Lane', pd.Grouper(key='Book Date', freq='W-MON')]
)['Purchase Price'].agg(weekly_mean='mean', weekly_std='std').reset_index()

内容的提问来源于stack exchange，提问作者novicePythonLearner