如何用Pandas从日期列生成以最早日期为起点的连续周数

问题描述 #

现有一个包含2019年起日期列的大型Pandas数据集，需实现以下需求：

• 先将日期列按从早到晚排序
• 以数据集中最早的有效采集日期为起点，每7天划分为一周，生成连续递增的周数列（如第1周、第2周……第N周），新增为单独列
• 此前使用pd.to_datetime(df['date'], errors='coerce').dt.week生成的周数存在重复，无法满足连续递增的要求

解决方案 #

核心思路是：以数据集的最早有效日期为基准，计算每个日期与基准日的天数差，通过整数除法得到对应的连续周数（起始周记为第1周）。具体步骤如下：

步骤1：日期列清洗与转换 #

先将日期列转换为datetime类型，同时处理缺失值（文本NaN会被转换为时间类型的缺失值NaT）：

import pandas as pd

# 原始数据
data = {'date': ['2019-09-10', 'NaN', '2019-10-07', '2019-11-04', '2019-11-28',
       '2019-12-02', '2020-01-24', '2020-01-29', '2020-02-05',
       '2020-02-12', '2020-02-14', '2020-02-24', '2020-03-11',
       '2020-03-16', '2020-03-17', '2020-03-18', '2021-09-14',
       '2021-09-30', '2021-10-07', '2021-10-08', '2021-10-12',
       '2021-10-14', '2021-10-15', '2021-10-19', '2021-10-21',
       '2021-10-26', '2021-10-28', '2021-10-29', '2021-11-02',
       '2021-11-15', '2021-11-16', '2021-12-01', '2021-12-07',
       '2021-12-09', '2021-12-10', '2021-12-14', '2021-12-15',
       '2022-01-13', '2022-01-14', '2022-01-21', '2022-01-24',
       '2022-01-25', '2022-01-27', '2022-01-31', '2022-02-01',
       '2022-02-10', '2022-02-11', '2022-02-16', '2022-02-24']}
df = pd.DataFrame(data)

# 转换日期类型，处理缺失值
df['date'] = pd.to_datetime(df['date'], errors='coerce')

步骤2：确定周数计算的起始基准 #

过滤掉无效日期后，取最早的有效日期作为周数计算的起点：

# 获取有效日期的最小值作为起始基准
start_date = df['date'].dropna().min()

步骤3：生成连续周数列 #

计算每个日期与起始日的天数差，通过整数除法得到对应的周数（加1是因为起始周记为第1周）：

# 计算每个日期对应的连续周数，无效日期设为None
df['weeks'] = df['date'].apply(
    lambda x: (x - start_date).days // 7 + 1 if pd.notna(x) else None
)

步骤4：按日期排序 #

最后将数据集按日期从早到晚排序，完成需求：

df = df.sort_values('date').reset_index(drop=True)

效果验证 #

运行上述代码后，df['weeks']列会生成完全连续递增的周数，例如：

• 起始日2019-09-10对应第1周
• 2019-10-07距离起始日27天，27//7 +1 =4，对应第4周
• 2022-02-24距离起始日907天，907//7 +1=130，对应第130周

完全避免了dt.week带来的跨年度周数重复问题，符合需求。

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