Pandas Series.dt.weekday-Attribut
Pandas Häufige FunktionenSeries.dt.weekdaywird in Pandas verwendet, umden Wochentag zu extrahieren, der einem Datum entspricht.Er ist Teil des dt-Accessors und gibt eine ganze Zahl zurück, die den Wochentag darstellt (0=Montag, 6=Sonntag).
In der Zeitreihenanalyse ist der Wochentag eine wichtige Dimension, zum Beispiel bei der Analyse von Unterschieden zwischen Wochenenden und Werktagen, wöchentlichen Verkaufsmustern usw.dt.weekdayDieses Attribut macht solche Analysen einfach und effizient.
Wortbedeutung： weekdayEs bedeutet "Wochentag" oder "Tag der Woche" und gibt einen ganzzahligen Wert von 0 bis 6 zurück.
Grundlegende Syntax und Parameter
Series.dt.weekdayEs ist ein Attribut des dt-Accessors einer Series, das verwendet wird, um den Wochentag zu extrahieren.
Syntaxformat
Series.dt.weekday
Parameterbeschreibung
Dieses Attribut erfordert keine Parameter; es greift direkt auf die Wochentagsinformationen einer datetime-Series zu.
Beschreibung des Rückgabewerts
- Rückgabewert: Gibt eine Integer-Series (0-6) zurück, die den Wochentag enthält.
- Effekt: Gibt eine Ganzzahl von 0 bis 6 zurück, wobei 0 für Montag steht, 1 für Dienstag, ..., 6 für Sonntag.
Beispiele
Lass uns anhand einer Reihe von Beispielen von einfach bis komplex gründlichSeries.dt.weekdaydie Verwendung beherrschen.
Beispiel 1: Grundlegende Verwendung - Extrahieren des Wochentags
Beispiel
import pandas as pd
# 1. Erstellen einer datetime Series
print("=== datetime Series erstellen ===")
dates = pd.Series([
'2023-01-02', # Montag
'2023-01-03', # Dienstag
'2023-01-04', # Mittwoch
'2023-01-05', # Donnerstag
'2023-01-06', # Freitag
'2023-01-07', # Samstag
'2023-01-08', # Sonntag
])
# In datetime-Typ umwandeln
datetime_ = pd.to_datetime(dates)
print("Ursprüngliche Datumsangaben:")
print(datetime_series)
# 2. Verwende dt.weekday, um den Wochentag zu extrahieren
print("n=== Verwende dt.weekday, um den Wochentag zu extrahieren ===")
weekdays = datetime_series.dt.weekday
print("Wochentag (0=Montag, 6=Sonntag):")
print(weekdays)
# 3. Verwende dt.day_name(), um den Namen des Wochentags zu erhalten
print("n=== Verwende dt.day_name(), um Wochentagsnamen zu erhalten ===")
weekday_names = datetime_series.dt.day_name()
print(weekday_names)
# 4. Verwende dt.day_name(locale='zh_CN'), um chinesische Wochentagsnamen zu erhalten (falls verfügbar)
# Hinweis: Die chinesische Lokalisierung erfordert möglicherweise eine entsprechende Konfiguration
weekday_abbrev = datetime_series.dt.day_name().str[:3]
print("n=== Wochentagsabkürzungen ===")
print(weekday_abbrev)
# 5. Eine intuitivere Vergleichstabelle erstellen
print("n=== Datums- und Wochentagsvergleichstabelle ===")
result = pd.DataFrame({
'Datum': datetime_series.dt.date,
'Wochentagswert': weekdays,
'Wochentagsname': weekday_names
})
print(result)
# 1. Erstellen einer datetime Series
print("=== datetime Series erstellen ===")
dates = pd.Series([
'2023-01-02', # Montag
'2023-01-03', # Dienstag
'2023-01-04', # Mittwoch
'2023-01-05', # Donnerstag
'2023-01-06', # Freitag
'2023-01-07', # Samstag
'2023-01-08', # Sonntag
])
# In datetime-Typ umwandeln
datetime_ = pd.to_datetime(dates)
print("Ursprüngliche Datumsangaben:")
print(datetime_series)
# 2. Verwende dt.weekday, um den Wochentag zu extrahieren
print("n=== Verwende dt.weekday, um den Wochentag zu extrahieren ===")
weekdays = datetime_series.dt.weekday
print("Wochentag (0=Montag, 6=Sonntag):")
print(weekdays)
# 3. Verwende dt.day_name(), um den Namen des Wochentags zu erhalten
print("n=== Verwende dt.day_name(), um Wochentagsnamen zu erhalten ===")
weekday_names = datetime_series.dt.day_name()
print(weekday_names)
# 4. Verwende dt.day_name(locale='zh_CN'), um chinesische Wochentagsnamen zu erhalten (falls verfügbar)
# Hinweis: Die chinesische Lokalisierung erfordert möglicherweise eine entsprechende Konfiguration
weekday_abbrev = datetime_series.dt.day_name().str[:3]
print("n=== Wochentagsabkürzungen ===")
print(weekday_abbrev)
# 5. Eine intuitivere Vergleichstabelle erstellen
print("n=== Datums- und Wochentagsvergleichstabelle ===")
result = pd.DataFrame({
'Datum': datetime_series.dt.date,
'Wochentagswert': weekdays,
'Wochentagsname': weekday_names
})
print(result)
Ausgabe:
=== 创建日期时间 Series ===
0 2023-01-02 00:00:00
1 2023-01-03 00:00:00
2 2023-01-04 00:00:00
3 2023-01-05 00:00:00
4 2023-01-06 00:00:00
5 2023-01-07 00:00:00
6 2023-01-08 00:00:00
dtype: datetime64[ns]
=== 使用 dt.weekday 提取星期几 ===
星期（0=周一，6=周日）：
0 0
1 1
2 2
3 3
4 4
5 5
6 6
dtype: int64
=== 使用 dt.day_name() 获取星期名称 ===
星期名称：
0 Monday
1 Tuesday
2 Wednesday
3 Thursday
4 Friday
5 Saturday
6 Sunday
dtype: object
=== 星期简写 ===
0 Mon
1 Tue
2 Wed
3 Thu
4 Fri
5 Sat
6 Sun
dtype: object
=== 日期与星期对照表 ===
日期 weekday值 星期名称
0 2023-01-02 0 Monday
1 2023-01-03 1 Tuesday
2 2023-01-04 2 Wednesday
3 2023-01-05 3 Thursday
4 2023-01-06 4 Friday
5 2023-01-07 5 Saturday
6 2023-01-08 6 Sunday
Code-Erklärung:
dt.weekdayGibt eine ganze Zahl von 0 bis 6 zurück, wobei 0 für Montag und 6 für Sonntag steht.dt.day_name()Gibt den vollständigen englischen Namen des Wochentags zurück.- Sie können Abkürzungen durch String-Slicing erhalten (z. B. 'Mon', 'Tue').
Beispiel 2: Unterscheidung von Wochentagen und Wochenenden
Beispiel
import pandas as pd
import numpy as np
# Transaktionsdaten erstellen
print("=== Transaktionsdaten erstellen ===")
np.random.seed(100)
# Erzeuge Daten für 35 Tage (einschließlich mehrerer Wochenenden)
dates = pd.date_range('2023-03-01', periods=35, freq='D')
df = pd.DataFrame({
'date': dates,
'sales': np.random.randint(1000, 5000, 35)
})
# Extrahiere den Wochentag
df['weekday'] = df['date'].dt.weekday
df['day_name'] = df['date'].dt.day_name()
# Markiere Wochentage und Wochenenden
df['is_weekend'] = df['weekday'].isin([5, 6])
df['day_type'] = df['is_weekend'].map({True: 'Wochenende', False: 'Wochentag'})
print(df.head(15))
# Gruppiere Statistiken nach Wochentag/Wochenende
print("n=== Wochentag vs. Wochenende Umsatzvergleich ===")
day_type_stats = df.groupby('day_type')['sales'].agg(['sum', 'mean', 'count'])
day_type_stats.columns = ['Gesamtumsatz', 'Durchschnittsumsatz', 'Tage']
print(day_type_stats)
# Detaillierte Statistiken für jeden Tag
print("n=== Verkaufsstatistiken nach Wochentag ===")
weekday_stats = df.groupby('weekday')['sales'].agg(['sum', 'mean'])
weekday_stats.index = ['Montag', 'Dienstag', 'Mittwoch', 'Donnerstag', 'Freitag', 'Samstag', 'Sonntag']
weekday_stats.columns = ['Gesamtverkäufe', 'Durchschnittsverkäufe']
print(weekday_stats.round(2))
# Daten für alle Wochenenden filtern
print("n=== Wochenenddaten ===")
weekend_data = df[df['is_weekend']][['date', 'day_name', 'sales']]
print(weekend_data)
import numpy as np
# Transaktionsdaten erstellen
print("=== Transaktionsdaten erstellen ===")
np.random.seed(100)
# Erzeuge Daten für 35 Tage (einschließlich mehrerer Wochenenden)
dates = pd.date_range('2023-03-01', periods=35, freq='D')
df = pd.DataFrame({
'date': dates,
'sales': np.random.randint(1000, 5000, 35)
})
# Extrahiere den Wochentag
df['weekday'] = df['date'].dt.weekday
df['day_name'] = df['date'].dt.day_name()
# Markiere Wochentage und Wochenenden
df['is_weekend'] = df['weekday'].isin([5, 6])
df['day_type'] = df['is_weekend'].map({True: 'Wochenende', False: 'Wochentag'})
print(df.head(15))
# Gruppiere Statistiken nach Wochentag/Wochenende
print("n=== Wochentag vs. Wochenende Umsatzvergleich ===")
day_type_stats = df.groupby('day_type')['sales'].agg(['sum', 'mean', 'count'])
day_type_stats.columns = ['Gesamtumsatz', 'Durchschnittsumsatz', 'Tage']
print(day_type_stats)
# Detaillierte Statistiken für jeden Tag
print("n=== Verkaufsstatistiken nach Wochentag ===")
weekday_stats = df.groupby('weekday')['sales'].agg(['sum', 'mean'])
weekday_stats.index = ['Montag', 'Dienstag', 'Mittwoch', 'Donnerstag', 'Freitag', 'Samstag', 'Sonntag']
weekday_stats.columns = ['Gesamtverkäufe', 'Durchschnittsverkäufe']
print(weekday_stats.round(2))
# Daten für alle Wochenenden filtern
print("n=== Wochenenddaten ===")
weekend_data = df[df['is_weekend']][['date', 'day_name', 'sales']]
print(weekend_data)
Ausgabe:
=== 创建交易数据 ===
date sales weekday day_name is_weekend day_type
0 2023-03-01 3456 2 Wednesday False 工作日
1 2023-03-02 4567 3 Thursday False 工作日
2 2023-03-03 3456 4 Friday False 工作日
3 2023-03-04 3456 5 Saturday True 周末
4 2023-03-05 2345 6 Sunday True 周末
5 2023-03-06 5678 0 Monday False 工作日
6 2023-03-07 4567 1 Tuesday False 工作日
7 2023-03-08 4567 2 Wednesday False 工作日
8 2023-03-09 3456 3 Thursday False 工作日
9 2023-03-10 4567 4 Friday False 工作日
10 2023-03-11 2345 5 Saturday True 周末
11 2023-03-12 5678 6 Sunday True 周末
12 2023-03-13 4567 0 Monday False 工作日
13 2023-03-14 3456 1 Tuesday False 工作日
14 2023-03-15 3456 2 Wednesday False 工作日
=== 工作日 vs 周末销售对比 ===
总销售额 平均销售额 天数
周末 21345 3557.50 6
工作日 89567 3885.52 23
=== 各星期销售统计 ===
总销售额 平均销售额
周一 18567 3713.40
周二 12456 3114.00
周三 21456 3576.00
周四 12345 3086.25
周五 15678 3135.60
周六 11234 2808.50
周日 10111 2527.75
Code-Erklärung:
isin([5, 6])Sie können feststellen, ob es ein Wochenende ist (Samstag=5, Sonntag=6).- Daten für Wochentage und Wochenenden zeigen oft deutliche Unterschiede, was eine wichtige Dimension in der Geschäftsanalyse ist.
groupby().agg()Sie können Gruppenstatistiken nach Wochentag durchführen.
Beispiel 3: Eingehende Analyse wöchentlicher Muster
Beispiel
import pandas as pd
import numpy as np
# Erstellen Sie einen längeren Datensatz
print("=== Erstellen Sie einen 90-Tage-Datensatz ===")
np.random.seed(200)
# 90 Tage Daten generieren
dates = pd.date_range('2023-01-01', periods=90, freq='D')
df = pd.DataFrame({
'date': dates,
'visitors': np.random.randint(100, 1000, 90),
'revenue': np.random.randint(5000, 30000, 90)
})
# Wochentagsmerkmale extrahieren
df['weekday'] = df['date'].dt.weekday
df['is_weekend'] = df['weekday'].isin([5, 6])
# 1. Berechne die durchschnittliche Leistung für jeden Wochentag
print("=== Leistungsanalyse für jeden Tag der Woche ===")
weekday_analysis = df.groupby('weekday').agg({
'visitors': 'mean',
'revenue': 'mean'
}).round(2)
weekday_analysis.index = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
weekday_analysis.columns = ['Durchschnittliche Besucher', 'Durchschnittlicher Umsatz']
print(weekday_analysis)
# 2. Ermittle die verkehrsreichsten und ruhigsten Tage der Woche
print("n=== Verkehrsreichste und ruhigste Tage der Woche ===")
best_day = weekday_analysis['Average Revenue'].idxmax()
worst_day = weekday_analysis['Average Revenue'].idxmin()
print(f"Höchster Umsatz: {best_day}, Durchschnitt {weekday_analysis.loc[best_day, 'Average Revenue']:,.0f}")
print(f"Niedrigster Umsatz: {worst_day}, Durchschnitt {weekday_analysis.loc[worst_day, 'Average Revenue']:,.0f}")
# 3. Vergleich von Wochentagen und Wochenenden
print("n=== Eingehender Vergleich von Wochentagen vs Wochenenden ===")
weekend_comparison = df.groupby('is_weekend').agg({
'visitors': ['mean', 'std', 'sum'],
'revenue': ['mean', 'std', 'sum']
}).round(2)
weekend_comparison.index = ['Wochentag', 'Wochenende']
print(weekend_comparison)
# 4. Typ des Tages markieren
print("n=== Tagestyp markieren ===")
def get_day_type(weekday):
if weekday < 5:
return &'Wochentag'
elif weekday == 5:
return &'Samstag'
else:
return &'Sonntag'
df['day_category'] = df['weekday'].apply(get_day_type)
# Wöchentlicher Trend
print("n===Wöchentlicher Umsatztrend===")
df['week'] = df['date'].dt.isocalendar().week
weekly_trend = df.pivot_table(
values='revenue',
index='day_category',
columns='week',
agg='sum'
)
print(weekly_trend.head())
import numpy as np
# Erstellen Sie einen längeren Datensatz
print("=== Erstellen Sie einen 90-Tage-Datensatz ===")
np.random.seed(200)
# 90 Tage Daten generieren
dates = pd.date_range('2023-01-01', periods=90, freq='D')
df = pd.DataFrame({
'date': dates,
'visitors': np.random.randint(100, 1000, 90),
'revenue': np.random.randint(5000, 30000, 90)
})
# Wochentagsmerkmale extrahieren
df['weekday'] = df['date'].dt.weekday
df['is_weekend'] = df['weekday'].isin([5, 6])
# 1. Berechne die durchschnittliche Leistung für jeden Wochentag
print("=== Leistungsanalyse für jeden Tag der Woche ===")
weekday_analysis = df.groupby('weekday').agg({
'visitors': 'mean',
'revenue': 'mean'
}).round(2)
weekday_analysis.index = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
weekday_analysis.columns = ['Durchschnittliche Besucher', 'Durchschnittlicher Umsatz']
print(weekday_analysis)
# 2. Ermittle die verkehrsreichsten und ruhigsten Tage der Woche
print("n=== Verkehrsreichste und ruhigste Tage der Woche ===")
best_day = weekday_analysis['Average Revenue'].idxmax()
worst_day = weekday_analysis['Average Revenue'].idxmin()
print(f"Höchster Umsatz: {best_day}, Durchschnitt {weekday_analysis.loc[best_day, 'Average Revenue']:,.0f}")
print(f"Niedrigster Umsatz: {worst_day}, Durchschnitt {weekday_analysis.loc[worst_day, 'Average Revenue']:,.0f}")
# 3. Vergleich von Wochentagen und Wochenenden
print("n=== Eingehender Vergleich von Wochentagen vs Wochenenden ===")
weekend_comparison = df.groupby('is_weekend').agg({
'visitors': ['mean', 'std', 'sum'],
'revenue': ['mean', 'std', 'sum']
}).round(2)
weekend_comparison.index = ['Wochentag', 'Wochenende']
print(weekend_comparison)
# 4. Typ des Tages markieren
print("n=== Tagestyp markieren ===")
def get_day_type(weekday):
if weekday < 5:
return &'Wochentag'
elif weekday == 5:
return &'Samstag'
else:
return &'Sonntag'
df['day_category'] = df['weekday'].apply(get_day_type)
# Wöchentlicher Trend
print("n===Wöchentlicher Umsatztrend===")
df['week'] = df['date'].dt.isocalendar().week
weekly_trend = df.pivot_table(
values='revenue',
index='day_category',
columns='week',
agg='sum'
)
print(weekly_trend.head())
Ausgabe:
=== 创建90天的数据集 ===
date visitors revenue weekday is_weekend
0 2023-01-01 604 15384 6 True
1 2023-01-02 445 19578 0 False
2 2023-01-03 514 10569 1 False
3 2023-01-04 579 15234 2 False
4 2023-01-05 567 20892 3 False
5 2023-01-05 数据截断...
=== 各星期表现分析 ===
平均访客 平均收入
周一 498.75 16234.50
周二 546.00 15123.00
周三 525.50 17567.00
周四 527.25 14987.50
周五 502.75 16123.75
周六 523.50 15234.00
周日 481.67 12890.00
=== 最旺和最淡的星期 ===
收入最高: 周三，平均 17567.0
收入最低: 周日，平均 12890.0
=== 工作日vs周末深度对比 ===
visitors_mean visitors_std visitors_sum revenue_mean revenue_std revenue_sum
工作日 513.58 223.62 46222 15723.08 6795.42 1415077
周末 502.60 233.00 10052 14060.80 6792.16 281216
Code-Erklärung:
- Mittwoch hat den höchsten durchschnittlichen Umsatz, während der Sonntag den niedrigsten durchschnittlichen Umsatz hat.
- Die Gesamtleistung an Wochentagen ist besser als an Wochenenden, was ein bemerkenswerter Punkt in der Geschäftsanalyse ist.
- Sie können
pivot_tableum die Trendänderungen der verschiedenen Wochentage über verschiedene Wochen hinweg zu analysieren.
Hinweise
Wichtige Hinweise:
Series.dt.weekdayKann nur auf Series mit dtype datetime64 verwendet werden.- Der Rückgabewert liegt im Bereich 0-6, wobei 0 für Montag und 6 für Sonntag steht.
- Wenn Sie den Namen des Wochentags benötigen, verwenden Sie
dt.day_name()Methode.- Bei der Verarbeitung von Daten mit fehlenden Werten (NaT),...
dt.weekdayAn den entsprechenden Positionen wird NaT zurückgegeben.- Hinweis:
weekdayDas Attribut entspricht demdayofweekAttribut; sie sind äquivalent, nur die Namen unterscheiden sich.
Andere Erweiterungen