如何在Pandas DataFrame中绘制2016-2017年日期出现频率

没问题，我来帮你搞定这个需求！你已经掌握了全时段年份频率的绘制方法，现在只需要先筛选出目标区间的数据，再根据需要的时间粒度统计频率即可，具体步骤如下：

1. 筛选2016-2017年的数据 #

首先从原DataFrame中提取出last_payout在2016年1月1日到2017年12月31日之间的记录，这里有两种常用方式：

方式一：精确区间筛选（推荐） #

这种方式能严格限定时间范围，避免意外包含其他年份的数据：

# 创建筛选掩码
mask = (df['last_payout'] >= '2016-01-01') & (df['last_payout'] <= '2017-12-31')
# 提取目标列的筛选结果
filtered_dates = df.loc[mask, 'last_payout']

方式二：按年份筛选 #

如果只需要匹配年份，也可以直接用dt.year来筛选：

filtered_dates = df[df['last_payout'].dt.year.isin([2016, 2017])]['last_payout']

2. 统计并绘制日期出现频率 #

根据你想要的时间粒度（按天/按月），选择对应的分组方式：

情况一：按天统计频率 #

如果需要查看每天的日期出现次数，可以直接按日期本身分组：

# 按天分组计数
daily_freq = filtered_dates.groupby(filtered_dates).count()
# 绘制折线图（天数较多时，折线图比柱状图更清晰）
daily_freq.plot(kind='line', figsize=(12, 6), title='2016-2017年每日日期出现频率')

情况二：按月统计频率 #

如果需要更宏观的月度趋势，建议按月分组（两年共24个月份，柱状图展示更直观）：

# 按月分组（用to_period('M')将日期转换为月度周期）
monthly_freq = filtered_dates.groupby(filtered_dates.dt.to_period('M')).count()
# 绘制柱状图
monthly_freq.plot(kind='bar', figsize=(10, 5), title='2016-2017年月度日期出现频率')

补充说明 #

• 如果你之前的全时段统计是按年份，现在筛选后可以根据需求调整分组粒度，确保图表展示的信息符合你的分析目标；
• 注意如果按天统计的话，数据量可能较大，建议设置合适的图表尺寸（figsize参数）来提升可读性。

内容的提问来源于stack exchange，提问作者user40