如何根据日期列将DataFrame按周聚合并计算周总值

核心逻辑是将列维度的日期作为分组依据，同属一个固定7天周期的列按行维度计算求和值，全程不需要对宽表做长表转换，对长跨度日期列的处理效率远高于手动循环拼接。

• 预处理数据结构
  先将品类标签列Name转为行索引，同时把所有字符串格式的日期列名统一解析为pandas可识别的datetime类型，避免分组时的匹配错误：

  import pandas as pd
  
  # Name列转为行索引
  df = df.set_index("Name")
  # 列名批量转换为datetime格式
  df.columns = pd.to_datetime(df.columns)
  

• 按列轴做周维度聚合
  借助resample方法直接在列轴上按7天周期分组，对同组的列按行求和，同时配置参数让分组后的列名取每周周期的起始日期，和示例的列名格式完全匹配：

  weekly_agg_df = df.resample(
      rule="7D",          # 以连续7天为一个聚合周期
      axis=1,             # 将聚合逻辑应用到列轴，而非默认的行轴
      closed="left",      # 每个周期采用左闭右开区间，避免相邻周期重复计数
      label="left"        # 用每个周期的起始日期作为分组后的列名
  ).sum()
  

• 格式还原匹配原始表结构
  将之前设为索引的Name列还原为普通数据列，再把datetime格式的列名转回YYYY-MM-DD的字符串格式，即可得到最终的周统计结果：

  weekly_agg_df = weekly_agg_df.reset_index()
  # 列名格式统一为字符串日期
  weekly_agg_df.columns = weekly_agg_df.columns.strftime("%Y-%m-%d")
  

适配调整说明 #

• 若业务需要对齐自然周（比如固定从每周一开始计数，而非从数据最早日期开始每7天切分周期），可将rule="7D"替换为rule="W-MON"，即可自动匹配每周一作为周起始点分组
• 和你之前尝试的aggregate方法相比，该方案的适配性更强：aggregate默认基于行标签完成分组，而本场景的分组维度是列自身的日期属性，通过resample指定轴方向可直接匹配需求，无需额外做宽表转长表的冗余操作。

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