Atributo Pandas Series.dt.weekday
Funciones comunes de PandasSeries.dt.weekdayes el atributo de Pandas utilizado paraextraer el día de la semana correspondiente a la fecha.Es parte del accesor dt, devuelve un entero que representa el día de la semana (0=lunes, 6=domingo).
En el análisis de datos de series temporales, el día de la semana es una dimensión importante, por ejemplo, analizar las diferencias entre fines de semana y días laborables, los patrones de ventas semanales, etc.dt.weekdayEl atributo hace que este tipo de análisis sea simple y eficiente.
Significado de la palabra： weekdaySignifica "día laborable" o "día de la semana"; devuelve un valor entero de 0 a 6.
Sintaxis básica y parámetros
Series.dt.weekdayEs un atributo del accesor dt de Series, utilizado para extraer el día de la semana.
Formato de sintaxis
Series.dt.weekday
Descripción de parámetros
Este atributo no requiere ningún parámetro; accede directamente a la información del día de la semana de la Series datetime.
Descripción del valor de retorno
- Valor de retorno: Devuelve una Series de enteros que contiene el día de la semana (0-6).
- Efecto: Devuelve un entero de 0 a 6, 0 significa lunes, 1 martes, ..., 6 domingo.
Ejemplos
Vamos a dominar por completo, mediante una serie de ejemplos de simples a complejos,Series.dt.weekdaysu uso.
Ejemplo 1: Uso básico: extraer el día de la semana
Ejemplos
import pandas as pd
# 1. Crear una Series de fecha y hora
print("=== Crear Series de fecha y hora ===")
dates = pd.Series([
'2023-01-02', # Lunes
'2023-01-03', # Martes
'2023-01-04', # Miércoles
'2023-01-05', # Jueves
'2023-01-06', # Viernes
'2023-01-07', # Sábado
'2023-01-08', # Domingo
])
# Convertir al tipo datetime
datetime_series = pd.to_datetime(dates)
print("Fecha original:")
print(datetime_series)
# 2. Usar dt.weekday para extraer el día de la semana
print("n=== Usar dt.weekday para extraer el día de la semana ===")
weekdays = datetime_series.dt.weekday
print("Día de la semana (0=lunes, 6=domingo):")
print(weekdays)
# 3. Usar dt.day_name() para obtener el nombre del día de la semana
print("n=== Usar dt.day_name() para obtener el nombre del día de la semana ===")
weekday_names = datetime_series.dt.day_name()
print(weekday_names)
# 4. Usar dt.day_name(locale='zh_CN') para obtener el día de la semana en chino (si está disponible)
# Nota: la localización al chino puede requerir configuración adicional
weekday_abbrev = datetime_series.dt.day_name().str[:3]
print("n=== Abreviaturas de los días de la semana ===")
print(weekday_abbrev)
# 5. Crear una tabla comparativa más intuitiva
print("n=== Tabla comparativa de fechas y días de la semana ===")
result = pd.DataFrame({
'Fecha': datetime_series.dt.date,
'Valor de weekday': weekdays,
'Nombre del día de la semana': weekday_names
})
print(result)
# 1. Crear una Series de fecha y hora
print("=== Crear Series de fecha y hora ===")
dates = pd.Series([
'2023-01-02', # Lunes
'2023-01-03', # Martes
'2023-01-04', # Miércoles
'2023-01-05', # Jueves
'2023-01-06', # Viernes
'2023-01-07', # Sábado
'2023-01-08', # Domingo
])
# Convertir al tipo datetime
datetime_series = pd.to_datetime(dates)
print("Fecha original:")
print(datetime_series)
# 2. Usar dt.weekday para extraer el día de la semana
print("n=== Usar dt.weekday para extraer el día de la semana ===")
weekdays = datetime_series.dt.weekday
print("Día de la semana (0=lunes, 6=domingo):")
print(weekdays)
# 3. Usar dt.day_name() para obtener el nombre del día de la semana
print("n=== Usar dt.day_name() para obtener el nombre del día de la semana ===")
weekday_names = datetime_series.dt.day_name()
print(weekday_names)
# 4. Usar dt.day_name(locale='zh_CN') para obtener el día de la semana en chino (si está disponible)
# Nota: la localización al chino puede requerir configuración adicional
weekday_abbrev = datetime_series.dt.day_name().str[:3]
print("n=== Abreviaturas de los días de la semana ===")
print(weekday_abbrev)
# 5. Crear una tabla comparativa más intuitiva
print("n=== Tabla comparativa de fechas y días de la semana ===")
result = pd.DataFrame({
'Fecha': datetime_series.dt.date,
'Valor de weekday': weekdays,
'Nombre del día de la semana': weekday_names
})
print(result)
Resultado de la ejecución:
=== 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
Análisis del código:
dt.weekdayDevuelve un entero de 0 a 6, 0 representa lunes, 6 domingo.dt.day_name()Devuelve el nombre completo en inglés del día de la semana.- Se puede obtener la abreviatura mediante segmentación de cadenas (por ejemplo, 'Mon', 'Tue').
Ejemplo 2: Distinguir entre días laborables y fines de semana
Ejemplos
import pandas as pd
import numpy as np
# Crear datos de transacciones
print("=== Crear datos de transacciones ===")
np.random.seed(100)
# Generar 35 días de datos (incluye varios fines de semana)
dates = pd.date_range('2023-03-01', periods=35, freq='D')
df = pd.DataFrame({
'date': dates,
'sales': np.random.randint(1000, 5000, 35)
})
# Extraer el día de la semana
df['weekday'] = df['date'].dt.weekday
df['day_name'] = df['date'].dt.day_name()
# Marcar días laborables y fines de semana
df['is_weekend'] = df['weekday'].isin([5, 6])
df['day_type'] = df['is_weekend'].map({True: 'Fin de semana', False: 'Día laborable'})
print(df.head(15))
# Agrupar por día laborable/fin de semana para estadísticas
print("n=== Comparación de ventas: días laborables vs. fines de semana ===")
day_type_stats = df.groupby('day_type')['sales'].agg(['sum', 'mean', 'count'])
day_type_stats.columns = ['Ventas totales', 'Ventas promedio', 'Número de días']
print(day_type_stats)
# Estadísticas detalladas por día
print("n=== Estadísticas de ventas por día de la semana ===")
weekday_stats = df.groupby('weekday')['sales'].agg(['sum', 'mean'])
weekday_stats.index = ['Lunes', 'Martes', 'Miércoles', 'Jueves', 'Viernes', 'Sábado', 'Domingo']
weekday_stats.columns = ['Ventas totales', 'Ventas promedio']
print(weekday_stats.round(2))
# Filtrar los datos de todos los fines de semana
print("n=== Datos de fines de semana ===")
weekend_data = df[df['is_weekend']][['date', 'day_name', 'sales']]
print(weekend_data)
import numpy as np
# Crear datos de transacciones
print("=== Crear datos de transacciones ===")
np.random.seed(100)
# Generar 35 días de datos (incluye varios fines de semana)
dates = pd.date_range('2023-03-01', periods=35, freq='D')
df = pd.DataFrame({
'date': dates,
'sales': np.random.randint(1000, 5000, 35)
})
# Extraer el día de la semana
df['weekday'] = df['date'].dt.weekday
df['day_name'] = df['date'].dt.day_name()
# Marcar días laborables y fines de semana
df['is_weekend'] = df['weekday'].isin([5, 6])
df['day_type'] = df['is_weekend'].map({True: 'Fin de semana', False: 'Día laborable'})
print(df.head(15))
# Agrupar por día laborable/fin de semana para estadísticas
print("n=== Comparación de ventas: días laborables vs. fines de semana ===")
day_type_stats = df.groupby('day_type')['sales'].agg(['sum', 'mean', 'count'])
day_type_stats.columns = ['Ventas totales', 'Ventas promedio', 'Número de días']
print(day_type_stats)
# Estadísticas detalladas por día
print("n=== Estadísticas de ventas por día de la semana ===")
weekday_stats = df.groupby('weekday')['sales'].agg(['sum', 'mean'])
weekday_stats.index = ['Lunes', 'Martes', 'Miércoles', 'Jueves', 'Viernes', 'Sábado', 'Domingo']
weekday_stats.columns = ['Ventas totales', 'Ventas promedio']
print(weekday_stats.round(2))
# Filtrar los datos de todos los fines de semana
print("n=== Datos de fines de semana ===")
weekend_data = df[df['is_weekend']][['date', 'day_name', 'sales']]
print(weekend_data)
Resultado de la ejecución:
=== 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
Análisis del código:
isin([5, 6])Se puede determinar si es fin de semana (sábado=5, domingo=6).- Los datos de días laborables y fines de semana suelen tener diferencias notables; esta es una dimensión importante en el análisis de negocio.
groupby().agg()Se pueden realizar estadísticas agrupando por día de la semana.
Ejemplo 3: Análisis profundo de patrones semanales
Ejemplos
import pandas as pd
import numpy as np
# Crear un conjunto de datos de mayor duración
print("=== Crear un conjunto de datos de 90 días ===")
np.random.seed(200)
# Generar datos de 90 días
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)
})
# Extraer características del día de la semana
df['weekday'] = df['date'].dt.weekday
df['is_weekend'] = df['weekday'].isin([5, 6])
# 1. Calcular el rendimiento promedio de cada día de la semana
print("=== Análisis de rendimiento por día de la semana ===")
weekday_analysis = df.groupby('weekday').agg({
'visitors': 'mean',
'revenue': 'mean'
}).round(2)
weekday_analysis.index = ['Lunes', 'Martes', 'Miércoles', 'Jueves', 'Viernes', 'Sábado', 'Domingo']
weekday_analysis.columns = ['Visitantes promedio', 'Ingresos promedio']
print(weekday_analysis)
# 2. Identificar el día de la semana más activo y el más flojo
print("n=== Día de la semana más activo y más flojo ===")
best_day = weekday_analysis['Ingresos promedio'].idxmax()
worst_day = weekday_analysis['Ingresos promedio'].idxmin()
print(f"Ingresos máximos: {best_day}, promedio {weekday_analysis.loc[best_day, 'Ingresos promedio']:,.0f}")
print(f"Ingresos mínimos: {worst_day}, promedio {weekday_analysis.loc[worst_day, 'Ingresos promedio']:,.0f}")
# 3. Comparación entre días laborables y fines de semana
print("n=== Comparación profunda: días laborables vs. fines de semana ===")
weekend_comparison = df.groupby('is_weekend').agg({
'visitors': ['mean', 'std', 'sum'],
'revenue': ['mean', 'std', 'sum']
}).round(2)
weekend_comparison.index = ['Día laborable', 'Fin de semana']
print(weekend_comparison)
# 4. Marcar el tipo de día laborable
print("n=== Marcar el tipo de día laborable ===")
def get_day_type(weekday):
if weekday < 5:
return &'Día laborable'
elif weekday == 5:
return &'Sábado'
else:
return &'Domingo'
df['day_category'] = df['weekday'].apply(get_day_type)
# Tendencia semanal
print("n===Tendencia de ingresos semanal===")
df['week'] = df['date'].dt.isocalendar().week
weekly_trend = df.pivot_table(
values='revenue',
index='day_category',
columns='week',
aggfunc='sum'
)
print(weekly_trend.head())
import numpy as np
# Crear un conjunto de datos de mayor duración
print("=== Crear un conjunto de datos de 90 días ===")
np.random.seed(200)
# Generar datos de 90 días
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)
})
# Extraer características del día de la semana
df['weekday'] = df['date'].dt.weekday
df['is_weekend'] = df['weekday'].isin([5, 6])
# 1. Calcular el rendimiento promedio de cada día de la semana
print("=== Análisis de rendimiento por día de la semana ===")
weekday_analysis = df.groupby('weekday').agg({
'visitors': 'mean',
'revenue': 'mean'
}).round(2)
weekday_analysis.index = ['Lunes', 'Martes', 'Miércoles', 'Jueves', 'Viernes', 'Sábado', 'Domingo']
weekday_analysis.columns = ['Visitantes promedio', 'Ingresos promedio']
print(weekday_analysis)
# 2. Identificar el día de la semana más activo y el más flojo
print("n=== Día de la semana más activo y más flojo ===")
best_day = weekday_analysis['Ingresos promedio'].idxmax()
worst_day = weekday_analysis['Ingresos promedio'].idxmin()
print(f"Ingresos máximos: {best_day}, promedio {weekday_analysis.loc[best_day, 'Ingresos promedio']:,.0f}")
print(f"Ingresos mínimos: {worst_day}, promedio {weekday_analysis.loc[worst_day, 'Ingresos promedio']:,.0f}")
# 3. Comparación entre días laborables y fines de semana
print("n=== Comparación profunda: días laborables vs. fines de semana ===")
weekend_comparison = df.groupby('is_weekend').agg({
'visitors': ['mean', 'std', 'sum'],
'revenue': ['mean', 'std', 'sum']
}).round(2)
weekend_comparison.index = ['Día laborable', 'Fin de semana']
print(weekend_comparison)
# 4. Marcar el tipo de día laborable
print("n=== Marcar el tipo de día laborable ===")
def get_day_type(weekday):
if weekday < 5:
return &'Día laborable'
elif weekday == 5:
return &'Sábado'
else:
return &'Domingo'
df['day_category'] = df['weekday'].apply(get_day_type)
# Tendencia semanal
print("n===Tendencia de ingresos semanal===")
df['week'] = df['date'].dt.isocalendar().week
weekly_trend = df.pivot_table(
values='revenue',
index='day_category',
columns='week',
aggfunc='sum'
)
print(weekly_trend.head())
Resultado de la ejecución:
=== 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
Análisis del código:
- El miércoles tiene los ingresos promedio más altos, y el domingo los más bajos.
- El rendimiento general de los días laborables es mejor que el de los fines de semana; este es un punto digno de atención en el análisis de negocio.
- Se puede usar
pivot_tablepara analizar las variaciones de tendencia de los diferentes días de la semana en distintas semanas.
Notas
Aviso importante:
Series.dt.weekdaySolo se puede utilizar en Series de tipo datetime64.- El valor de retorno está en el rango de 0 a 6, donde 0 representa lunes y 6 domingo.
- Si necesitas el nombre del día de la semana, utiliza
dt.day_name()el método.- Al manejar datos con valores faltantes (NaT),
dt.weekdayse devolverá NaT en la posición correspondiente.- Nota:
weekdayEl atributo es equivalente aldayofweekatributo; solo difieren en el nombre.
Otras extensiones