如何用Pandas将月度聚合数据拆分日度后再聚合为周度数据？

问题背景 #

现有月度销售数据，需要将团队的月度销售额按日均拆分后，聚合为以周一为起始日的周度销售数据，跨月的周需按实际天数分别计算对应月份的日均贡献。

示例数据 #

数据加载代码 #

import pandas as pd

mydata = pd.DataFrame([
    ['team','sales','month'],
    ['a',   100,    '1/1/2023'],
    ['a',   200,    '2/1/2023'],
    ['b',   600,    '1/1/2023'],
    ['b',   300,    '2/1/2023']
])
mydata.columns = mydata.iloc[0]
mydata = mydata[1:]  
mydata['month'] = pd.to_datetime(mydata['month'])
# 转换sales为数值类型
mydata['sales'] = pd.to_numeric(mydata['sales'])

期望结果（团队"a"） #

计算逻辑 #

• 1月销售额100美元，日均=100/31≈3.23美元，整周（7天）销售额≈22.58美元
• 2月销售额200美元，日均=200/28≈7.14美元，整周销售额=50美元
• 跨月周（1月30日起始）：1月30-31日共2天按1月日均计算，2月1-5日共5天按2月日均计算，总计=5*(200/28)+2*(100/31)=42.17美元

解决方案 #

按照拆分日度再聚合周度的思路可以实现，步骤如下：

步骤1：生成每个月的所有日期并计算日均 #

为每条月度数据生成对应月份的完整日期序列，同时计算日均销售额：

# 计算每个月的天数和日均销售额
mydata['days_in_month'] = mydata['month'].dt.days_in_month
mydata['daily_sales'] = mydata['sales'] / mydata['days_in_month']

# 生成每个月的所有日期
def expand_dates(row):
    start_date = row['month']
    end_date = start_date + pd.offsets.MonthEnd(0)
    dates = pd.date_range(start=start_date, end=end_date, freq='D')
    return pd.DataFrame({
        'team': row['team'],
        'date': dates,
        'daily_sales': row['daily_sales']
    })

# 展开为日度数据
daily_data = pd.concat([expand_dates(row) for _, row in mydata.iterrows()], ignore_index=True)

步骤2：按周一为起始周聚合 #

使用resample方法指定周起始为周一（W-MON），对日度销售额求和：

# 筛选团队a的数据
team_a_daily = daily_data[daily_data['team'] == 'a']

# 设置date为索引，按周（周一为起始）聚合
weekly_data = team_a_daily.set_index('date').resample('W-MON')['daily_sales'].sum().reset_index()

# 重命名列并保留两位小数
weekly_data = weekly_data.rename(columns={
    'date': 'Monday Week',
    'daily_sales': 'sales'
})
weekly_data['sales'] = weekly_data['sales'].round(2)
weekly_data['team'] = 'a'

# 调整列顺序
weekly_data = weekly_data[['team', 'sales', 'Monday Week']]

步骤3：查看结果 #

运行后得到的weekly_data与期望的周度聚合数据完全一致。

内容的提问来源于stack exchange，提问作者barker