如何高效实现按周分组统计支出并生成DataFrame？

问题场景 #

当前你通过手动指定每个周的日期区间来统计支出，代码重复度极高，全年52周会产生大量冗余代码，以下是基于pandas的高效优化方案：

原始冗余代码示例 #

W1 = df[df['date'].between('2022-01-03', '2022-01-09')]
W1_spend_df = W1[['date', 'amount']]
W1_total = W1_spend_df['amount'].sum()

W2 = df[df['date'].between('2022-01-10', '2022-01-17')]
W2_spend_df = W2[['date', 'amount']]
W2_total = W2_spend_df['amount'].sum()

# 转换结果为DataFrame
data = [['W1', W1_total], ['W2', W2_total]]
df_result = pd.DataFrame(data, columns = ['W', 'amount'])

优化方案一：使用resample按周聚合 #

适合需要自定义周起始日（如周一/周日）的场景，步骤如下：

1. 确保日期列是datetime类型（如果尚未转换）
2. 调用resample按周批量统计总支出
3. 生成周标识（W1/W2...）

import pandas as pd

# 转换date列为datetime类型（必要前置操作）
df['date'] = pd.to_datetime(df['date'])

# 按周统计支出，指定每周一为周起始（匹配你示例中的周区间）
weekly_spend = df.resample('W-MON', on='date')['amount'].sum().reset_index()

# 添加W+周数的标识列
weekly_spend['W'] = 'W' + weekly_spend['date'].dt.isocalendar().week.astype(str)

# 整理成目标格式
weekly_spend = weekly_spend[['W', 'amount']]

注：如果需要周日作为周起始，可将'W-MON'改为'W-SUN'，pandas默认'W'代表周日为周结束日。

优化方案二：使用dt.isocalendar()按ISO周分组 #

ISO标准周以周一为起始，每年最多53周，适合严格遵循ISO周规则的场景：

import pandas as pd

# 转换date列为datetime类型
df['date'] = pd.to_datetime(df['date'])

# 按ISO周分组统计总支出
weekly_group = df.groupby(df['date'].dt.isocalendar().week)['amount'].sum().reset_index()

# 重命名并生成周标识
weekly_group.columns = ['week_num', 'amount']
weekly_group['W'] = 'W' + weekly_group['week_num'].astype(str)

# 整理成目标格式
weekly_result = weekly_group[['W', 'amount']]

优化优势 #

• 无需手动编写52次区间判断代码，仅需几行即可完成全年统计
• 基于pandas内置的时间分组逻辑，处理效率远高于手动循环/切片
• 支持自定义周起始规则，适配不同业务场景

内容的提问来源于stack exchange，提问作者Robin Baggott la Velle