如何通过循环优化按月份统计支出的Pandas代码效率？

你的现有代码通过逐个筛选月份计算总额，虽能运行，但存在重复遍历数据、代码冗余的问题，数据量较大时效率会明显下降。以下是更高效的实现方案：

核心优化思路 #

利用Pandas的时间序列分组功能，一次性完成所有月份的统计，避免重复操作。

步骤1：确保日期列是datetime类型 #

如果你的date列还不是datetime格式，先做转换：

import pandas as pd

# 转换日期列格式
df['date'] = pd.to_datetime(df['date'])

步骤2：按月份分组计算总额 #

直接通过groupby结合时间周期提取，一次性生成所有月份的统计结果：

# 按「年-月」分组，计算每个月的支出总额
monthly_spend = df.groupby(df['date'].dt.to_period('M'))['amount'].sum().reset_index()

# 重命名列名，提升可读性
monthly_spend.columns = ['year_month', 'total_spend']

步骤3：（可选）筛选指定年份的数据 #

如果只需要统计2022年的支出，可先过滤年份再分组：

# 筛选2022年的交易记录
df_2022 = df[df['date'].dt.year == 2022]

# 统计2022年各月支出
monthly_spend_2022 = df_2022.groupby(df_2022['date'].dt.to_period('M'))['amount'].sum().reset_index()
monthly_spend_2022.columns = ['year_month', 'total_spend']

方案优势 #

• 效率更高：仅需遍历DataFrame一次，时间复杂度从原方案的O(n*N)（N为月份数）降至O(n)，数据量越大，效率提升越明显
• 代码简洁：无需手动编写每个月份的筛选逻辑，避免重复代码和人为错误
• 扩展性强：新增年份或调整统计周期（如按季度），只需修改分组的时间周期参数即可

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