每月、每年和每种货币的总折扣，不包括2017年的数据。

要计算每月、每年和每种货币的总折扣，不包括2017年的数据，可以使用Python中的pandas库来处理和分析数据。下面是一个示例代码，演示了如何使用pandas来完成这个任务：

import pandas as pd

# 读取数据文件
data = pd.read_csv('data.csv')

# 将日期列转换为日期格式
data['date'] = pd.to_datetime(data['date'])

# 过滤掉2017年的数据
filtered_data = data[data['date'].dt.year != 2017]

# 计算每月总折扣
monthly_discount = filtered_data.groupby(filtered_data['date'].dt.to_period('M'))['discount'].sum()

# 计算每年总折扣
yearly_discount = filtered_data.groupby(filtered_data['date'].dt.to_period('Y'))['discount'].sum()

# 计算每种货币的总折扣
currency_discount = filtered_data.groupby('currency')['discount'].sum()

# 打印结果
print("每月总折扣:")
print(monthly_discount)
print("\n每年总折扣:")
print(yearly_discount)
print("\n每种货币的总折扣:")
print(currency_discount)

在这个示例代码中，假设数据文件名为data.csv，其中包含date（日期）、discount（折扣）和currency（货币）三列。首先，使用pd.read_csv()函数读取数据文件，并使用pd.to_datetime()函数将日期列转换为日期格式。然后，使用data['date'].dt.year != 2017来过滤掉2017年的数据，得到filtered_data。接下来，使用groupby()函数和sum()函数分别计算每月、每年和每种货币的总折扣，并将结果存储在monthly_discount、yearly_discount和currency_discount变量中。最后，使用print()函数打印结果。

请根据实际情况修改代码中的数据文件名和列名，以适应你的数据。