如何将透视表月份索引转换为PeriodIndex以实现时间序列分析

没问题，我带你一步步把这个数据集处理成适合时间序列可视化的格式，全程清晰易懂：

1. 读取初始数据 #

首先我们从Excel中读取目标列，得到的是宽格式DataFrame，每个账户占一行，月份作为列：

import pandas as pd
import numpy as np
df = pd.read_excel('mypath.xlsx', usecols=['Account', 'Jan', 'Feb', 'Mar'])

初始DataFrame输出：

Account   Jan   Feb   Mar
0      300   NaN   NaN   NaN
1      310  -33  -33  -33
2      320   10    5     7

2. 透视转换为时间序列结构 #

接下来用pivot_table把账户转成列，月份作为索引，同时把缺失值填充为0，这样的结构更贴合时间序列分析的需求：

df = df.pivot_table(df, columns=['Account'], fill_value=0)

透视后的结果：

Account  300  310  320
Feb       0  -33    5
Jan       0  -33   10
Mar       0  -33    7

3. 转换为可计算的时间索引 #

现在的索引是月份缩写（Jan/Feb/Mar），没法直接做时间差计算、按时间排序这类时间序列特有的操作，所以我们需要把它转换成PeriodIndex（月度周期索引），分两步完成：

3.1 先转换为DatetimeIndex #

把月份缩写和指定年份（这里用2018为例）拼接，转成标准的日期时间索引：

idx = pd.to_datetime('2018-' + df.index)
print(idx)

输出：

[OUT] DatetimeIndex(['2018-02-01', '2018-01-01', '2018-03-01'], dtype='datetime64[ns]', freq=None)

3.2 转换为PeriodIndex（月度周期） #

把DatetimeIndex转成月度周期的索引，这样后续就能轻松进行时间相关的计算和排序了：

df.index = idx.to_period(freq='M')
print(df.index)

输出：

[OUT] PeriodIndex(['2018-02', '2018-01', '2018-03'], dtype='period[M]', freq='M')

最终处理结果 #

处理后的DataFrame完全适合时间序列可视化和分析，索引是标准的月度周期，账户作为列：

Account  300  310  320
2018-02    0  -33    5
2018-01    0  -33   10
2018-03    0  -33    7

小提示：如果需要按时间顺序展示，只需加一行df = df.sort_index()，索引就会自动按2018-01、2018-02、2018-03的顺序排列，更符合可视化逻辑哦

内容的提问来源于stack exchange，提问作者mks