# 269、pandas.Series.dt.dayofweek属性

# 269-1、工作日和周末分析

# date day_of_week is_weekend

# 0 2024-08-01 3 False

# 1 2024-08-02 4 False

# 2 2024-08-03 5 True

# 3 2024-08-04 6 True

# 4 2024-08-05 0 False

# 5 2024-08-06 1 False

# 6 2024-08-07 2 False

# 7 2024-08-08 3 False

# 8 2024-08-09 4 False

# 9 2024-08-10 5 True

# 269-2、时间序列数据的聚合

# day_of_week

# 0 58

# 1 62

# 2 66

# 3 70

# 4 75

# 5 50

# 6 54

# Name: sales, dtype: int64

# 269-3、调度和排班

# date day_of_week shift

# 0 2024-08-01 3 Morning

# 1 2024-08-02 4 Morning

# 2 2024-08-03 5 Day Off

# 3 2024-08-04 6 Day Off

# 4 2024-08-05 0 Morning

# 5 2024-08-06 1 Morning

# 6 2024-08-07 2 Morning

# 7 2024-08-08 3 Morning

# 8 2024-08-09 4 Morning

# 9 2024-08-10 5 Day Off

# 269-4、季节性趋势分析

# day_of_week

# 0 580.943396

# 1 493.384615

# 2 630.538462

# 3 484.019231

# 4 548.192308

# 5 583.346154

# 6 547.403846

# Name: sales, dtype: float64

# 269-5、数据清洗和预处理

# date value day_of_week

# 0 2024-01-01 0 0

# 1 2024-01-02 1 1

# 2 2024-01-03 2 2

# 3 2024-01-04 3 3

# 4 2024-01-05 4 4

# 7 2024-01-08 7 0

# 8 2024-01-09 8 1

# 9 2024-01-10 9 2

# 269-6、事件驱动分析

# event Promotion Regular

# day_of_week

# 0 2 0

# 1 0 2

# 2 2 0

# 3 0 1

# 4 1 0

# 5 0 1

# 6 0 1

270、pandas.Series.dt.weekday属性

270-1、语法

# 270、pandas.Series.dt.weekday属性

pandas.Series.dt.weekday

The day of the week with Monday=0, Sunday=6.

Return the day of the week. It is assumed the week starts on Monday, which is denoted by 0 and ends on Sunday which is denoted by 6. This method is available on both Series with datetime values (using the dt accessor) or DatetimeIndex.

Returns:

Series or Index

Containing integers indicating the day number.

270-2、参数

        无

270-3、功能

        用于提取datetime对象的星期几。

270-4、返回值

        返回值是一个整数，其中0表示星期一，1表示星期二，以此类推，6表示星期日。

270-5、说明

        使用场景：

270-5-1、数据分析：在进行数据分析时，了解某些事件发生的星期几可以帮助识别趋势。例如，某些销售数据可能在周末更高，而其他业务则可能在工作日更繁忙。

270-5-2、数据可视化：在绘制图表时，可以根据星期几对数据进行分组，从而更清晰地展示不同时间段的行为模式。例如，使用条形图展示每周各天的销售额。

270-5-3、业务决策：在制定营销策略时，了解客户行为与星期几的关系可以帮助优化广告投放时间和促销活动。例如，可以在特定的日子进行促销，以吸引更多顾客。

270-5-4、调度与规划：在项目管理或人力资源调度中，可以根据工作日和休息日来安排任务或人员，确保工作效率最大化。

270-5-5、时间序列分析：在时间序列数据分析中，提取星期几信息可以作为特征之一，帮助构建更精准的预测模型。

270-5-6、事件记录与跟踪：在记录事件发生时间时，可以使用星期几来分析事件的发生频率与特定日期的关系，比如员工请假、客户投诉等。

270-6、用法

270-6-1、数据准备

无

270-6-2、代码示例

# 270、pandas.Series.dt.weekday属性

# 270-1、数据分析：识别销售趋势

import pandas as pd

# 创建示例销售数据

data = {

'date': pd.date_range(start='2024-01-01', periods=30),code>

'sales': [200, 220, 210, 230, 250, 270, 300, 320, 310, 330, 340, 350,

360, 370, 380, 390, 400, 410, 420, 430, 440, 450, 460, 470,

480, 490, 500, 510, 520, 530]

}

df = pd.DataFrame(data)

# 提取星期几

df['weekday'] = df['date'].dt.weekday

# 计算每天的平均销售额

average_sales_by_weekday = df.groupby('weekday')['sales'].mean()

print(average_sales_by_weekday, end='\n\n')code>

# 270-2、数据可视化：展示每周各天的销售额

import pandas as pd

import matplotlib.pyplot as plt

# 创建示例销售数据

data = {

'date': pd.date_range(start='2024-01-01', periods=30),code>

'sales': [200, 220, 210, 230, 250, 270, 300, 320, 310, 330, 340, 350,

360, 370, 380, 390, 400, 410, 420, 430, 440, 450, 460, 470,

480, 490, 500, 510, 520, 530]

}

df = pd.DataFrame(data)

df['weekday'] = df['date'].dt.weekday

# 按星期几分组并计算总销售额

total_sales_by_weekday = df.groupby('weekday')['sales'].sum()

# 绘制条形图

total_sales_by_weekday.plot(kind='bar', color='skyblue')code>

plt.xlabel('Weekday (0=Monday, 6=Sunday)')

plt.ylabel('Total Sales')

plt.title('Total Sales by Weekday')

plt.xticks(ticks=range(7), labels=['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'], rotation=45)

plt.show()

# 270-3、业务决策：优化广告投放时间

import pandas as pd

# 创建示例广告投放数据

data = {

'ad_date': pd.date_range(start='2024-01-01', periods=30),code>

'ad_cost': [1000, 1200, 1100, 1300, 1500, 1600, 1700, 1800, 1750, 1900,

2000, 2100, 2200, 2300, 2400, 2500, 2600, 2700, 2800, 2900,

3000, 3100, 3200, 3300, 3400, 3500, 3600, 3700, 3800, 3900]

}

df = pd.DataFrame(data)

# 提取星期几

df['weekday'] = df['ad_date'].dt.weekday

# 计算广告成本按星期几的总和

ad_cost_by_weekday = df.groupby('weekday')['ad_cost'].sum()

print(ad_cost_by_weekday, end='\n\n')code>

# 270-4、调度与规划：安排任务或人员

import pandas as pd

# 创建示例任务数据

tasks = {

'task_date': pd.date_range(start='2024-01-01', periods=30),code>

'task': ['Task {}'.format(i) for i in range(30)]

}

df = pd.DataFrame(tasks)

# 提取星期几

df['weekday'] = df['task_date'].dt.weekday

# 按星期几分配任务

tasks_by_weekday = df.groupby('weekday')['task'].count()

print(tasks_by_weekday, end='\n\n')code>

# 270-5、时间序列分析：构建预测模型特征

import pandas as pd

# 创建示例时间序列数据

data = {

'date': pd.date_range(start='2024-01-01', periods=100),code>

'value': range(100)

}

df = pd.DataFrame(data)

# 提取星期几作为特征

df['weekday'] = df['date'].dt.weekday

print(df.head(), end='\n\n')code>

# 270-6、事件记录与跟踪：分析事件发生频率

import pandas as pd

# 创建示例事件数据

events = {

'event_date': pd.date_range(start='2024-01-01', periods=50),code>

'event_type': ['Type {}'.format(i % 5) for i in range(50)]

}

df = pd.DataFrame(events)

# 提取星期几

df['weekday'] = df['event_date'].dt.weekday

# 统计每星期几的事件数量

events_by_weekday = df.groupby('weekday').size()

print(events_by_weekday)

270-6-3、结果输出