当前位置：首页 > news >正文

【Pandas】pandas Index objects DatetimeIndex.dayofyear

news 2025/10/9 7:41:21

Pandas2.2 Index objects

Time date components

方法	描述
DatetimeIndex.year	用于获取 DatetimeIndex 中每个日期时间元素的年份部分
DatetimeIndex.month	用于获取 DatetimeIndex 中每个日期时间元素的月份部分
DatetimeIndex.day	用于获取 DatetimeIndex 中每个日期时间元素的日期部分（月份中的第几天）
DatetimeIndex.hour	用于获取 DatetimeIndex 中每个日期时间元素的小时部分
DatetimeIndex.minute	用于获取 DatetimeIndex 中每个日期时间元素的分钟部分
DatetimeIndex.second	用于获取 DatetimeIndex 中每个日期时间元素的秒部分
DatetimeIndex.microsecond	用于获取 DatetimeIndex 中每个日期时间元素的微秒部分
DatetimeIndex.nanosecond	用于获取时间戳中的纳秒部分（0-999999999）
DatetimeIndex.date	用于获取时间戳中的日期部分（年-月-日）
DatetimeIndex.time	用于获取时间戳中的时间部分（时:分:秒）
DatetimeIndex.timetz	用于获取带有时区信息的时间部分（时:分:秒）
DatetimeIndex.dayofyear	用于获取时间戳在一年中的天数序号

pandas.DatetimeIndex.dayofyear 属性详解

pandas.DatetimeIndex.dayofyear 是 DatetimeIndex 对象的一个属性，用于获取时间戳在一年中的天数序号（1月1日为1，12月31日为365或366）。

属性说明

返回类型: 一个包含每个时间戳在一年中天数的整数数组（numpy.ndarray）
取值范围:
- 平年: 1-365
- 闰年: 1-366
别名: 也可以使用 day_of_year 访问相同属性
特点:
- 不考虑时间部分，只基于日期计算
- 自动处理闰年情况

使用示例

示例1：基本用法

import pandas as pd# 创建包含不同日期的DatetimeIndex
dates = pd.DatetimeIndex(['2023-01-01',  # 第1天'2023-02-14',  # 情人节'2023-03-01',  # 3月第1天'2023-12-31',  # 年末'2024-12-31'   # 闰年末
])# 获取一年中的天数
day_numbers = dates.dayofyearprint("日期列表:")
print(dates)
print("\n一年中的天数:")
print(day_numbers)

输出结果:

日期列表:
DatetimeIndex(['2023-01-01', '2023-02-14', '2023-03-01', '2023-12-31','2024-12-31'],dtype='datetime64[ns]', freq=None)一年中的天数:
[  1  45  60 365 366]

示例2：与DataFrame结合使用

# 创建包含日期的DataFrame
df = pd.DataFrame({'event': ['元旦', '情人节', '三月开始', '年末', '闰年末'],'date': dates
})# 添加一年中的天数列
df['day_of_year'] = df['date'].dt.dayofyearprint("\n包含天数信息的DataFrame:")
print(df)

输出结果:

包含天数信息的DataFrame:event       date  day_of_year
0      元旦 2023-01-01            1
1    情人节 2023-02-14           45
2  三月开始 2023-03-01           60
3      年末 2023-12-31          365
4    闰年末 2024-12-31          366

示例3：分析一年中的数据分布

# 创建全年日期序列
year_dates = pd.date_range('2023-01-01', '2023-12-31', freq='D')
sales_data = pd.DataFrame({'date': year_dates,'sales': [100 + i%30 for i in range(len(year_dates))]  # 模拟销售数据
})# 添加天数信息并计算每日平均销售额
sales_data['day_of_year'] = sales_data['date'].dt.dayofyear
daily_avg = sales_data.groupby('day_of_year')['sales'].mean()print("\n前5天的平均销售额:")
print(daily_avg.head())
print("\n最后5天的平均销售额:")
print(daily_avg.tail())

输出结果:

前5天的平均销售额:
day_of_year
1    100
2    101
3    102
4    103
5    104
Name: sales, dtype: int64最后5天的平均销售额:
day_of_year
361    125
362    126
363    127
364    128
365    129
Name: sales, dtype: int64

示例4：闰年处理

# 测试闰年日期
leap_dates = pd.DatetimeIndex(['2020-02-28',  # 闰年2月28日'2020-02-29',  # 闰日'2020-03-01',  # 闰年后一天'2021-02-28',  # 平年2月28日'2021-03-01'   # 平年3月1日
])# 获取天数并创建DataFrame
leap_df = pd.DataFrame({'date': leap_dates,'day_of_year': leap_dates.dayofyear,'is_leap_year': leap_dates.is_leap_year
})print("\n闰年天数比较:")
print(leap_df)

输出结果:

闰年天数比较:date  day_of_year  is_leap_year
0 2020-02-28           59          True
1 2020-02-29           60          True
2 2020-03-01           61          True
3 2021-02-28           59         False
4 2021-03-01           60         False

示例5：可视化一年中的销售趋势

import matplotlib.pyplot as plt# 准备数据
sales_data.set_index('day_of_year', inplace=True)# 绘制全年销售趋势图
plt.figure(figsize=(12, 6))
sales_data['sales'].plot(title='2023年每日销售趋势')
plt.xlabel('一年中的天数')
plt.ylabel('销售额')
plt.grid(True)
plt.show()