Python案例如何用Pandas做数据分组周期

wen python案例 2026-07-14 2

Python案例：如何用Pandas做数据分组周期（从入门到实战）

目录导读

数据分组与周期的核心概念
- 什么是数据分组？什么是周期分析？
- 为什么Pandas是处理分组周期的最佳工具？
准备工作：环境与数据
- 安装Pandas与数据导入
- 案例数据展示（销售订单数据）
基础操作：groupby与周期聚合
- 按客户ID分组,计算月均消费
- 按季度分组,统计销售总额
进阶技巧：多级分组与滚动周期
- 按“地区+产品类别”分组，分析年度趋势
- 使用rolling()实现7天滑动周期分析
实战案例：电商用户生命周期分组
- 生成用户首次购买日期（cohort）
- 按月分组计算留存率
常见问题与解答
- Q1：分组后周期索引如何对齐？
- Q2：大内存数据分组性能优化技巧？
总结与最佳实践

数据分组与周期的核心概念

在数据分析中,“分组”是指根据某个或多个字段将数据拆分成子集，“周期”则强调时间维度的规律性（如日、周、月、季度），当这两者结合时，就能回答类似“每个客户每个月的平均消费是多少”或者“不同产品类别在Q3的销量走势如何”这类业务问题。

Pandas之所以成为数据科学家首选,因为它提供了链式操作（如 df.groupby().resample()）和灵活的窗口函数（如 rolling()、expanding()），无需写复杂循环即可完成分组周期分析。

注意：如果你遇到域名相关的资源，请将 www.example.com 替换为你的本地文档路径 ./docs/pandas_guide。

准备工作：环境与数据

首先安装 Pandas（如果还未安装）：

pip install pandas numpy matplotlib

然后导入库并创建示例数据——模拟一家电商公司2023年的销售记录：

import pandas as pd
import numpy as np
# 生成日期范围
date_rng = pd.date_range(start='2023-01-01', end='2023-12-31', freq='H')
df = pd.DataFrame(date_rng, columns=['order_date'])
# 随机生成客户、产品、金额等字段
df['customer_id'] = np.random.choice(['A','B','C','D'], size=len(df))
df['product_category'] = np.random.choice(['电子产品','服装','食品'], size=len(df))
df['region'] = np.random.choice(['华北','华东','华南'], size=len(df))
df['amount'] = np.random.randint(10, 500, size=len(df))
# 查看前5行
print(df.head())

基础操作：groupby与周期聚合

1 按客户ID分组，计算月均消费

如果我们想了解每个客户每个月的平均消费金额：

# 先提取月份
df['month'] = df['order_date'].dt.to_period('M')
# 分组聚合
monthly_avg = df.groupby(['customer_id', 'month'])['amount'].mean()
print(monthly_avg.head())

输出示例：

customer_id  month  
A            2023-01    254.78
             2023-02    301.45
             2023-03    189.22
...

关键点：使用 dt.to_period('M') 将日期转换为周期型，分组更高效。

2 按季度分组，统计销售总额

若要分析整个平台2023年各季度的业绩：

df['quarter'] = df['order_date'].dt.quarter
quarterly_sum = df.groupby('quarter')['amount'].sum()
print(quarterly_sum)

结果将显示Q1~Q4的总金额，若要同时保留年份，可用 dt.to_period('Q')。

进阶技巧：多级分组与滚动周期

1 按“地区+产品类别”分组，分析年度趋势

使用 groupby 多级索引，再配合 resample 重采样：

# 设置日期为索引，按周重采样
df_time = df.set_index('order_date')
weekly_sales = df_time.groupby(['region', 'product_category'])['amount'].resample('W').sum()
print(weekly_sales.head())

resample('W') 自动按周分组，对每个组合计算每周销量。

2 使用rolling()实现7天滑动周期分析

滑动窗口可以平滑短期波动,例如计算每个客户过去7天的累计消费：

df_customer_A = df[df['customer_id']=='A'].set_index('order_date')
df_customer_A['rolling_7d_sum'] = df_customer_A['amount'].rolling('7D').sum()
print(df_customer_A[['amount', 'rolling_7d_sum']].head(10))

注意：rolling('7D') 要求索引为 DatetimeIndex 且有序，如果数据稀疏，会基于实际时间点计算窗口。

实战案例：电商用户生命周期分组

背景：我们需要分析不同月份新注册用户在后续月份的留存情况（Cohort分析）。

步骤1：生成每个用户的首次购买日期

first_order = df.groupby('customer_id')['order_date'].min().reset_index()
first_order.columns = ['customer_id', 'first_order_date']
df = df.merge(first_order, on='customer_id', how='left')

步骤2：创建月份偏移字段

df['order_month'] = df['order_date'].dt.to_period('M')
df['first_month'] = df['first_order_date'].dt.to_period('M')
df['month_offset'] = (df['order_month'] - df['first_month']).apply(lambda x: x.n)  # 整数偏移量

步骤3：按月分组并计算留存用户数

cohort_data = df.groupby(['first_month', 'month_offset'])['customer_id'].nunique().reset_index()
# 透视表格
cohort_pivot = cohort_data.pivot_table(index='first_month', columns='month_offset', values='customer_id')
print(cohort_pivot.head())

该表格的行是用户首次购买月份,列是后续第N个月，值为活跃用户数，除以首月用户数即可得留存率。

常见问题与解答

Q1：分组后周期索引如何对齐？

假设我们想按小时分组计算均值,但有些时间段无数据，可以使用 reindex 补全缺失时间点：

hourly = df.groupby(df['order_date'].dt.floor('H'))['amount'].mean()
full_hours = pd.date_range('2023-01-01', '2023-01-02', freq='H')
hourly_filled = hourly.reindex(full_hours, fill_value=0)

Q2：大内存数据分组性能优化技巧？

在 groupby 前对分类字段使用 pd.Categorical 类型，减少内存占用。
使用 as_index=False 避免创建多重索引，加速聚合。
若数据过大,考虑用 dask.dataframe 进行分布式分组。

df['customer_id'] = df['customer_id'].astype('category')  # 内存优化
result = df.groupby('customer_id', as_index=False)['amount'].sum()

总结与最佳实践

通过本文的Python案例,我们掌握了Pandas处理数据分组周期的四种核心模式：

模式	方法	适用场景
基础分组+周期字段	`groupby(cust, month)`	计算每个实体的周期均值
多级分组+重采样	`groupby(region, prod).resample('W')`	多维度的周期趋势
滚动周期	`rolling('7D').sum()`	平滑短期波动
生命周期Cohort	偏移量+透视表	用户留存分析

最佳实践：

始终将日期列转为 datetime64 类型。
使用 dt.to_period() 而非字符串切割，保留周期语义。
组合 groupby 与 resample 时注意索引顺序。

希望这些案例能帮你快速上手Pandas的分组周期分析,如果你有更复杂的场景，欢迎在实际项目中实践上述代码。