如何使用Pandas展开带日期的行

Question

我想知道如何使用Pandas在excel中展开几行带有日期范围的数据。下面是我想每隔7天扩展的两个记录。你知道吗

下面是我期望看到的输出。如果没有足够的7天，那么我仍然想要一个显示剩余天数的行。你知道吗

下面是我起草的代码。对熊猫的使用还很陌生，所以我不确定我在这里使用的方法是否正确。如果有人能帮忙太好了！你知道吗

df = pd.read_excel(path_link + input_file_name)

time_series = pd.DataFrame({
'Product': df.Product,
'Date':pd.date_range(df.Start_Date, df.End_Date)
})

编辑

非常感谢下面的每个人的回应！我从你的回答中学到了很多。下面是答案。用datanoveler作为公认的答案。你知道吗

#Data Frame
data = [
['Apple', '3/1/2019', '4/1/2019'],
['Pear', '2/5/2019', '3/4/2019' ]
]
df = pd.DataFrame(data, columns=['Product', 'Start_Date', 'End_Date'])

#Change data type for dates
df['Start_Date'] = pd.to_datetime(df['Start_Date'])
df['End_Date'] = pd.to_datetime(df['End_Date'])

#Un-pivot table and expands product's calendar dates for the start date
df2 = pd.melt(df, id_vars='Product').set_index('value')\
.groupby('Product').resample('8D').sum().drop(['variable','Product'],axis=1)\
.reset_index()

#Creates end date column
df2['end_date'] = df2['value'] + pd.DateOffset(days=7)

#Returns the index of the last product's end date; row's 3 and 7
idx = df2.drop_duplicates(subset='Product',keep='last').index

#Replace df2's row's 3 and 7 with the end date found in the original df
df2.loc[idx,'end_date'] = df2['Product'].map(df.set_index('Product')['End_Date'])

print(df2)

Answer 1

IIUC，一个想法是resample使用melt将开始和结束日期设为一列，并使用pd.DateOffset分配天数，我们仍然需要处理每个产品的最大结束日期，我们可以通过使用.drop_duplicates按组查找最后一个产品索引，通过简单的映射和.loc分配来完成

使用df['your_date_col'] = pd.to_datetime(df['your_date_col'])确保开始和结束日期都是正确的日期时间

df2 = pd.melt(df,id_vars='Product').set_index('value')\
.groupby('Product').resample('8D').sum().drop(['variable','Product'],axis=1)\
.reset_index()

df2['end_date'] = df2['value'] + pd.DateOffset(days=7)

idx = df2.drop_duplicates(subset='Product',keep='last').index

df2.loc[idx,'end_date'] = df2['Product'].map(df.set_index('Product')['End_Date'])

print(df2)




 Product      value   end_date
0   Apple 2019-03-01 2019-03-08
1   Apple 2019-03-09 2019-03-16
2   Apple 2019-03-17 2019-03-24
3   Apple 2019-03-25 2019-04-01
4    Pear 2019-02-05 2019-02-12
5    Pear 2019-02-13 2019-02-20
6    Pear 2019-02-21 2019-02-28
7    Pear 2019-03-01 2019-03-04

Answer 2

此答案还将处理每个产品的最大结束日期：

df = pd.DataFrame({'Product' : ['Apple', 'Pear'], 'Start_Date' : ['3/1/2019', '2/5/2019'], 'End_Date' : ['4/1/2019', '3/4/2019']})
df2 = df.set_index('Product').stack()
df2 = df2.reset_index(name='dates')
df2['dates'] = pd.to_datetime(list(df2['dates']))
df3 = df2.set_index('dates').groupby('Product').resample('8D').bfill()
df3 = df3.reset_index('dates')
df3 = df3[['dates', 'Product']].reset_index(drop=True)
pd.merge(df3, df4, how='outer',on=['Product','dates']).drop_duplicates().sort_values(['Product','dates'])

       dates Product
0 2019-03-01   Apple
1 2019-03-09   Apple
2 2019-03-17   Apple
3 2019-03-25   Apple
8 2019-04-01   Apple
4 2019-02-05    Pear
5 2019-02-13    Pear
6 2019-02-21    Pear
7 2019-03-01    Pear
9 2019-03-04    Pear