Pandas Series.dt.month-Eigenschaft
Pandas Häufige FunktionenSeries.dt.monthist die Eigenschaft in Pandas, die verwendet wird, umden Monat aus Datums-/Zeitangaben zu extrahieren.Sie ist Teil des dt-Accessors und kann schnell Monatsinformationen (1-12) aus einer datetime-Serie extrahieren.
In der Analyse von Zeitreihendaten ist die Analyse nach Monat eine häufige Anforderung, wie etwa Monatsberichte und saisonale Analysen.dt.monthDiese Eigenschaft macht solche Operationen einfach und effizient.
Wortbedeutung： monthBedeutet "Monat", d. h. sie gibt den Monatsteil des Datums zurück (1 bis 12).
Grundlegende Syntax und Parameter
Series.dt.monthSie ist eine Eigenschaft des Series-dt-Accessors und wird verwendet, um den Monat zu extrahieren.
Syntaxformat
Series.dt.month
Parameterbeschreibung
Diese Eigenschaft erfordert keine Parameter; sie greift direkt auf die Monatsinformationen der datetime-Serie zu.
Beschreibung des Rückgabewerts
- Rückgabewert: Gibt eine Integer-Series (1-12) zurück, die den Monat enthält.
- Wirkung: Extrahiert den Monatsteil aus einer datetime64-Series und gibt Ganzzahlen von 1 bis 12 zurück.
Beispiele
Lass uns durch eine Reihe von Beispielen von einfach bis komplex gründlich meistern,Series.dt.monthdie Verwendung davon gründlich meistern.
Beispiel 1: Grundlegende Verwendung - Monat extrahieren
Beispiel
import pandas as pd
# 1. Erstellen einer datetime Series
print("=== datetime Series erstellen ===")
dates = pd.Series([
'2023-01-15',
'2023-05-20',
'2023-11-30',
'2023-07-10',
'2023-03-25'
])
# In datetime-Typ umwandeln
datetime_ = pd.to_datetime(dates)
print("Ursprüngliche Datumsangaben:")
print(datetime_series)
# 2. Verwende dt.month, um den Monat zu extrahieren
print("n=== Verwende dt.month, um den Monat zu extrahieren ===")
months = datetime_series.dt.month
print("Monat:")
print(months)
# 3. Du kannst auch dt.month_name() verwenden, um den Monatsnamen zu erhalten
print("n=== Verwende dt.month_name(), um Monatsnamen zu erhalten ===")
month_names = datetime_series.dt.month_name()
print(month_names)
# 4. Chinesische Monatsnamen (erfordert Lokalisierung)
print("n=== Monatsabkürzungen ===")
month_abbrev = datetime_series.dt.month_name().str[:3]
print(month_abbrev)
# 1. Erstellen einer datetime Series
print("=== datetime Series erstellen ===")
dates = pd.Series([
'2023-01-15',
'2023-05-20',
'2023-11-30',
'2023-07-10',
'2023-03-25'
])
# In datetime-Typ umwandeln
datetime_ = pd.to_datetime(dates)
print("Ursprüngliche Datumsangaben:")
print(datetime_series)
# 2. Verwende dt.month, um den Monat zu extrahieren
print("n=== Verwende dt.month, um den Monat zu extrahieren ===")
months = datetime_series.dt.month
print("Monat:")
print(months)
# 3. Du kannst auch dt.month_name() verwenden, um den Monatsnamen zu erhalten
print("n=== Verwende dt.month_name(), um Monatsnamen zu erhalten ===")
month_names = datetime_series.dt.month_name()
print(month_names)
# 4. Chinesische Monatsnamen (erfordert Lokalisierung)
print("n=== Monatsabkürzungen ===")
month_abbrev = datetime_series.dt.month_name().str[:3]
print(month_abbrev)
Ausgabe:
=== 创建日期时间 Series === 0 2023-01-15 1 2023-05-20 2 2023-11-30 3 2023-07-10 4 2023-03-25 dtype: datetime64[ns] === 使用 dt.month 提取月份 === 月份: 0 1 1 5 2 11 3 7 4 3 dtype: int64 === 使用 dt.month_name() 获取月份名称 === 月份名称: 0 January 1 May 2 November 3 July 4 March dtype: object === 月份简写 === 0 Jan 1 May 2 Nov 3 Jul 4 Mar dtype: object
Code-Erklärung:
dt.monthGibt ganze Zahlen von 1-12 zurück, wobei 1 für Januar und 12 für Dezember steht.dt.month_name()Gibt den vollständigen englischen Namen des Monats zurück.- Monatsabkürzungen können über String-Slicing abgerufen werden.
Beispiel 2: Filtern und Gruppieren nach Monat
Beispiel
import pandas as pd
import numpy as np
# Umsatzdaten erstellen
print("=== Verkaufsdaten erstellen ===")
df = pd.DataFrame({
'order_id': [f'ORD-{i:04d}' for i in range(1, 25)],
'order_date': pd.date_range('2023-01-01', periods=24, freq='15D'),
'sales': np.random.randint(1000, 5000, 24)
})
# Monat extrahieren
df['month'] = df['order_date'].dt.month
print(df.head(10))
# Nach Monat filtern - Q1-Daten filtern
print("n=== Bestellungen für Q1 filtern (Jan.-März) ===")
q1_orders = df[df['month'].isin([1, 2, 3])]
print(q1_orders)
# Nach Monat gruppieren und aggregieren
print("n=== Verkaufsstatistik nach Monat ===")
monthly_sales = df.groupby('month')['sales'].agg(['sum', 'mean', 'count'])
monthly_sales.columns = ['Gesamtverkäufe', 'Durchschnittliche Verkäufe', 'Order count']
print(monthly_sales)
Nach Jahreszeit gruppieren (mit einer einfachen Zuordnung)
def get_season(month):
if month in [3, 4, 5]:
return 'Frühling'
elif month in [6, 7, 8]:
return 'Sommer'
elif month in [9, 10, 11]:
return 'Herbst'
else:
return 'Winter'
print("n=== Statistiken nach Jahreszeit")
df['season'] = 'month'[apply].apply(get_season)
season_stats = df.groupby('season')['sales'].sum()
print(season_stats)
import numpy as np
# Umsatzdaten erstellen
print("=== Verkaufsdaten erstellen ===")
df = pd.DataFrame({
'order_id': [f'ORD-{i:04d}' for i in range(1, 25)],
'order_date': pd.date_range('2023-01-01', periods=24, freq='15D'),
'sales': np.random.randint(1000, 5000, 24)
})
# Monat extrahieren
df['month'] = df['order_date'].dt.month
print(df.head(10))
# Nach Monat filtern - Q1-Daten filtern
print("n=== Bestellungen für Q1 filtern (Jan.-März) ===")
q1_orders = df[df['month'].isin([1, 2, 3])]
print(q1_orders)
# Nach Monat gruppieren und aggregieren
print("n=== Verkaufsstatistik nach Monat ===")
monthly_sales = df.groupby('month')['sales'].agg(['sum', 'mean', 'count'])
monthly_sales.columns = ['Gesamtverkäufe', 'Durchschnittliche Verkäufe', 'Order count']
print(monthly_sales)
Nach Jahreszeit gruppieren (mit einer einfachen Zuordnung)
def get_season(month):
if month in [3, 4, 5]:
return 'Frühling'
elif month in [6, 7, 8]:
return 'Sommer'
elif month in [9, 10, 11]:
return 'Herbst'
else:
return 'Winter'
print("n=== Statistiken nach Jahreszeit")
df['season'] = 'month'[apply].apply(get_season)
season_stats = df.groupby('season')['sales'].sum()
print(season_stats)
Ausgabe:
=== 创建销售数据 ===
order_id order_date sales month
0 ORD-0001 2023-01-01 4500 1
1 ORD-0002 2023-01-16 3200 1
2 ORD-0003 2023-01-31 2800 1
3 ORD-0004 2023-02-15 4100 2
4 ORD-0005 2023-03-02 3900 3
5 ORD-0006 2023-03-17 4600 3
6 ORD-0007 2023-04-01 5100 4
7 ORD-0008 2023-04-16 4800 4
8 ORD-0009 2023-05-01 4400 5
9 ORD-0010 2023-05-16 3700 5
=== 筛选第一季度（1-3月）的订单 ===
order_id order_date sales month
0 ORD-0001 2023-01-01 4500 1
1 ORD-0002 2023-01-16 3200 1
2 ORD-0003 2023-01-31 2800 1
3 ORD-0004 2023-02-15 4100 2
4 ORD-0005 2023-03-02 3900 3
5 ORD-0006 2023-03-17 4600 3
=== 按月份统计销售额 ===
总销售额 平均销售额 订单数
month
1 10500 3500.0 3
2 4100 4100.0 1
3 8500 4250.0 2
4 9900 4950.0 2
5 8100 4050.0 2
=== 按季节统计 ===
season
冬季 10500
春季 22400
夏季 18000
Code-Erklärung:
dt.monthGibt Ganzzahlen von 1-12 zurück, was numerische Vergleiche und Gruppierungen erleichtert.- Monate können für die saisonale Analyse mit benutzerdefinierten Funktionen Jahreszeiten zugeordnet werden.
isin([1,2,3])Erleichtert das Filtern bestimmter Monate.
Beispiel 3: Monatliche Pivot-Analyse
Beispiel
import pandas as pd
import numpy as np
# Mehrjährige monatliche Daten erstellen
print("=== Mehrjährige monatliche Daten erstellen ===")
np.random.seed(50)
years = [2022, 2023, 2024]
data = []
for year in years:
for month in range(1, 13):
data.append({
'year': year,
'month': month,
'revenue': np.random.randint(50000, 150000),
'customers': np.random.randint(500, 2000)
})
df = pd.DataFrame(data)
print(df.head(15))
# Pivot-Tabelle: Umsatz nach Jahr und Monat
print("n=== Pivot-Tabelle: Umsatz nach Jahr und Monat ===")
pivot = df.pivot_table(
values='revenue',
index='month',
columns='year',
aggfunc='sum'
)
print(pivot)
# Jahr-über-Jahr-Wachstumsrate berechnen
print("n=== Jahr-über-Jahr-Wachstumsrate ===")
pivot['growth_2023'] = ((pivot[2023] - pivot[2022]) / pivot[2022] * 100).round(2)
pivot['growth_2024'] = ((pivot[2024] - pivot[2023]) / pivot[2023] * 100).round(2)
print(pivot[['growth_2023', 'growth_2024']])
# Monatliche Trendanalyse
print("n=== Durchschnittlicher monatlicher Umsatz (über Jahre hinweg) ===")
monthly_avg = df.groupby('month')['revenue'].mean().round(2)
print(monthly_avg)
# Die Monate mit dem höchsten und niedrigsten Umsatz finden
print(f"n=== Spitzenmonat und schwächster Monat ===")
print(f"Spitzenmonat: {monthly_avg.idxmax()} Monat, Umsatz {monthly_avg.max():,.0f}")
print(f"Schwächster Monat: {monthly_avg.idxmin()} Monat, Umsatz {monthly_avg.min():,.0f}")
import numpy as np
# Mehrjährige monatliche Daten erstellen
print("=== Mehrjährige monatliche Daten erstellen ===")
np.random.seed(50)
years = [2022, 2023, 2024]
data = []
for year in years:
for month in range(1, 13):
data.append({
'year': year,
'month': month,
'revenue': np.random.randint(50000, 150000),
'customers': np.random.randint(500, 2000)
})
df = pd.DataFrame(data)
print(df.head(15))
# Pivot-Tabelle: Umsatz nach Jahr und Monat
print("n=== Pivot-Tabelle: Umsatz nach Jahr und Monat ===")
pivot = df.pivot_table(
values='revenue',
index='month',
columns='year',
aggfunc='sum'
)
print(pivot)
# Jahr-über-Jahr-Wachstumsrate berechnen
print("n=== Jahr-über-Jahr-Wachstumsrate ===")
pivot['growth_2023'] = ((pivot[2023] - pivot[2022]) / pivot[2022] * 100).round(2)
pivot['growth_2024'] = ((pivot[2024] - pivot[2023]) / pivot[2023] * 100).round(2)
print(pivot[['growth_2023', 'growth_2024']])
# Monatliche Trendanalyse
print("n=== Durchschnittlicher monatlicher Umsatz (über Jahre hinweg) ===")
monthly_avg = df.groupby('month')['revenue'].mean().round(2)
print(monthly_avg)
# Die Monate mit dem höchsten und niedrigsten Umsatz finden
print(f"n=== Spitzenmonat und schwächster Monat ===")
print(f"Spitzenmonat: {monthly_avg.idxmax()} Monat, Umsatz {monthly_avg.max():,.0f}")
print(f"Schwächster Monat: {monthly_avg.idxmin()} Monat, Umsatz {monthly_avg.min():,.0f}")
Ausgabe:
=== 创建多年月度数据 === year month revenue customers 0 2022 1 103412 1245 1 2022 2 83201 987 2 2022 3 123456 1523 3 2022 4 98765 1123 4 2022 5 112345 1345 5 2022 6 104321 1456 6 2022 2 1 110987 1567 7 2022 3 145678 1789 8 2022 4 134567 1678 9 2022 5 123456 1456 10 2022 6 112345 1234 === 透视表：各年各月收入 === year 2022 2023 2024 month 1 103412 110987 124567 2 83201 98765 113456 3 123456 145678 156789 4 98765 134567 145678 5 112345 123456 134567 6 104321 112345 123456 7 134567 145678 156789 8 123456 134567 145678 9 112345 123456 134567 10 104321 115678 126789 11 115678 126789 137890 12 126789 137890 148901 === 同比增长率 === year growth_2023 growth_2024 month 1 7.32 12.24 2 18.71 14.78 3 17.99 7.63 4 36.25 8.25 5 9.90 8.96 6 7.70 9.89 7 8.27 7.64 8 9.00 8.26 9 9.93 8.99 10 10.90 9.60 11 9.60 8.74 12 8.74 7.98 === 月份平均收入（跨年） === month 1 112988.67 2 98474.00 3 141941.00 4 126336.67 5 123456.00 6 113374.00 7 145678.00 8 134567.00 9 123456.00 10 115596.00 11 126785.67 12 137860.00 Name: revenue, dtype: float64 === 最旺月份和最淡月份 === 最旺月份: 7月，收入 145678.0 最淡月份: 2月，收入 98474.0
Code-Erklärung:
- Eine Pivot-Tabelle (pivot_table) erleichtert die Analyse der Schnittmenge mehrerer Jahre und Monate.
- Sie können die Wachstumsrate im Jahresvergleich für die Zeitreihenanalyse berechnen.
idxmax()undidxmin()Sie können schnell den Monat finden, der dem maximalen oder minimalen Wert entspricht.
Hinweise
Wichtige Hinweise:
Series.dt.monthEs kann nur auf Series vom Typ datetime64 verwendet werden.- Der zurückgegebene Monatsbereich ist 1-12, wobei 1 für Januar und 12 für Dezember steht.
- Wenn Sie den Monatsnamen benötigen, verwenden Sie die
dt.month_name()Methode.- Beim Umgang mit Daten, die fehlende Werte (NaT) enthalten,
dt.monthgibt es NaT an den entsprechenden Positionen zurück.
Andere Erweiterungen