Pandas Series.dt.month 属性

Series.dt.monthはPandasで日時の月を抽出するための属性です。これは dt アクセサの一部であり、datetime 型の Series から月情報（1〜12）をすばやく抽出できます。

時系列データ分析では、月ごとの分析は一般的なニーズであり、例えば月次レポート、季節性分析などがあります。dt.monthこの属性により、このような操作が簡単かつ効率的になります。

単語の意味： month「月」という意味で、日付の月の部分（1〜12）を返します。

基本構文とパラメータ

Series.dt.monthは Series の dt アクセサの属性であり、月の抽出に使用されます。

構文形式

Series.dt.month

パラメータの説明

この属性はパラメータを必要とせず、datetime Series の月情報に直接アクセスします。

戻り値の説明

戻り値：月を含む整数の Series（1〜12）を返します。
効果：datetime64 型の Series から月の部分を抽出し、1 から 12 の整数を返します。

例

簡単なものから複雑なものまでの一連の例を通じて、徹底的にSeries.dt.monthの使い方を習得しましょう。

例1：基本用法 - 月の抽出

例

import pandas as pd

# 1. 日時 Series を作成
print("=== 日時 Series を作成 ===")
dates = pd.Series([
'2023-01-15',
'2023-05-20',
'2023-11-30',
'2023-07-10',
'2023-03-25'
])

# datetime 型に変換
datetime_series = pd.to_datetime(dates)
print("元の日付:")
print(datetime_series)

# 2. dt.month で月を抽出
print("n=== dt.month で月を抽出 ===")
months = datetime_series.dt.month
print("月:")
print(months)

# 3. dt.month_name() で月名を取得することもできます
print("n=== dt.month_name() で月名を取得 ===")
month_names = datetime_series.dt.month_name()
print(month_names)

# 4. 月の中国語名（ローカライズが必要）
print("n=== 月の略称 ===")
month_abbrev = datetime_series.dt.month_name().str[:3]
print(month_abbrev)

実行結果:

=== 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

コード解説:

dt.month1〜12 の整数を返します。1 は 1月、12 は 12月を表します。
dt.month_name()月の英語の正式名称を返します。
文字列スライスを使用して月の略称を取得できます。

例2：月ごとのフィルタリングとグループ化

例

import pandas as pd
import numpy as np

# 売上データを作成
print("=== 売上データを作成 ===")
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)
})

# 月を抽出
df['month'] = df['order_date'].dt.month
print(df.head(10))

# 月でフィルタリング - 第1四半期のデータを抽出
print("n=== 第1四半期（1〜3月）の注文を抽出 ===")
q1_orders = df[df['month'].isin([1, 2, 3])]
print(q1_orders)

# 月ごとにグループ化して集計
print("n=== 月ごとの売上額を集計 ===")
monthly_sales = df.groupby('month')['sales'].agg(['sum', 'mean', 'count'])
monthly_sales.columns = ['総売上額', '平均売上額', '注文数']
print(monthly_sales)

# 季節ごとにグループ化（単純なマッピングを使用）
def get_season(month):
if month in [3, 4, 5]:
return '春'
elif month in [6, 7, 8]:
return '夏'
elif month in [9, 10, 11]:
return '秋'
else:
return '冬'

print("n=== 季節ごとに集計 ===")
df['season'] = df['month'].apply(get_season)
season_stats = df.groupby('season')['sales'].sum()
print(season_stats)

実行結果:

=== 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

コード解説:

dt.month1〜12 の整数を返すため、数値の比較やグループ化が容易です。
月はカスタム関数と組み合わせて季節にマッピングでき、季節性分析に使用できます。
isin([1,2,3])特定の月を簡単にフィルタリングできます。

例3：月のピボット分析

例

import pandas as pd
import numpy as np

# 複数年の月次データを作成
print("=== 複数年の月次データを作成 ===")
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))

# ピボットテーブル：年別・月別の収入
print("n=== ピボットテーブル：年別・月別の収入 ===")
pivot = df.pivot_table(
values='revenue',
index='month',
columns='year',
aggfunc='sum'
)
print(pivot)

# 前年同期比成長率を計算
print("n=== 前年同期比成長率 ===")
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']])

# 月のトレンド分析
print("n=== 月の平均収入（年をまたぐ） ===")
monthly_avg = df.groupby('month')['revenue'].mean().round(2)
print(monthly_avg)

# 収入が最も高い月と低い月を特定
print(f"n=== 最も好調な月と最も低迷した月 ===")
print(f"最も好調な月: {monthly_avg.idxmax()}月、収入 {monthly_avg.max():,.0f}")
print(f"最も低迷した月: {monthly_avg.idxmin()}月、収入 {monthly_avg.min():,.0f}")

実行結果:

=== 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

コード解説:

ピボットテーブル（pivot_table）を使用すると、複数年にわたる月別のクロスデータを簡単に分析できます。
前年同期比成長率を計算して時系列分析を行うことができます。
idxmax()とidxmin()最大値・最小値に対応する月をすばやく見つけることができます。

注意事項

重要な注意：

Series.dt.monthdatetime64 型の Series にのみ使用できます。

返される月の範囲は 1〜12 で、1 は 1月、12 は 12月を表します。

月名が必要な場合は、dt.month_name()メソッドを使用します。

欠損値（NaT）を含むデータを処理する場合、dt.month対応する位置の NaT が返されます。

Pandas 常用函数 Pandas よく使う関数

その他の拡張

データの読み書き

データ処理の核心

リファレンスマニュアル

統計とケーススタディ

Pandas Series.dt.month 属性

基本構文とパラメータ

構文形式

パラメータの説明

戻り値の説明

例

例1：基本用法 - 月の抽出

例

例2：月ごとのフィルタリングとグループ化

例

例3：月のピボット分析

例

注意事項