Python实现类季度字符串格式转换或年份、季度列拆分
两类处理方向的Python(Pandas)实现方案
前置说明:示例默认使用Pandas处理结构化表格,原始待处理列名为quarter_raw,存储值为20181、20182、20183、20184这类4位年份+1位季度的编码格式,兼容字符串型或数值型的原始值。
方向1:转换为2018Q1、2018Q2的标准季度展示格式
- 纯字符串拼接实现(逻辑直观,无额外转换开销)
# 先统一转字符串类型避免数值截取错误,拼接生成标准展示格式 df['standard_quarter'] = (df['quarter_raw'].astype(str).str[:4] + 'Q' + df['quarter_raw'].astype(str).str[-1]) - 基于Pandas内置Period类型实现(适配后续时间序列运算需求)
# 解析生成季度周期对象,自动支持季度跨度计算、时间排序等操作 df['quarter_period'] = pd.PeriodIndex( year=df['quarter_raw'].astype(str).str[:4].astype(int), quarter=df['quarter_raw'].astype(str).str[-1].astype(int), freq='Q' ) # 如需字符串格式展示,可直接将Period对象转字符串 df['standard_quarter'] = df['quarter_period'].astype(str)
方向2:拆分为独立的年份、季度两列存储
- 基于字符串截取的拆分实现(大表场景下运行效率最高)
# 拆分生成独立列,转成整数类型方便后续聚合、计算 df['year'] = df['quarter_raw'].astype(str).str[:4].astype(int) df['quarter'] = df['quarter_raw'].astype(str).str[-1].astype(int)
选型参考:如果后续需要按年、按季度独立做分组筛选、维度聚合,拆分独立列的灵活度最高;如果需要直接做时间维度的连续排序、跨期差计算,优先选择Period类型的季度格式转换方案。
内容的提问来源于stack exchange,提问作者IsabelleL
相关产品推荐
相关产品推荐

