本文介绍使用 pandas 将时间序列列按自然季度（如 3–5 月为 q1，6–8 月为 q2）自动分组求和，并将季度小计列插入原始数据表的对应位置，最终生成结构清晰、列序正确的汇总表格。
本文介绍使用 pandas 将时间序列列按自然季度（如 3–5 月为 q1，6–8 月为 q2）自动分组求和，并将季度小计列插入原始数据表的对应位置，最终生成结构清晰、列序正确的汇总表格。
在数据分析中，常需将按月存储的指标（如销售量、库存数）按季度聚合，并将结果以“小计列”形式嵌入原表格中——既保留明细数据，又提供阶段性汇总视图。本文以一个含 7 列日期型列（2024-03 至 2024-09）的零件销量表为例，演示如何精准插入 Q1'24、Q2'24、Q3'24 等季度小计列，并确保其严格位于所属月份列之后（如 Q1'24 紧随 2024-03 后，Q2'24 紧随 2024-06 后），实现专业级报表布局。
✅ 核心步骤解析
- 列名转为 DatetimeIndex：将字符串格式的列名（如 '2024-03-01 00:00:00'）统一转换为 pd.Timestamp，便于后续时间运算；
- 按季度分组求和：利用 .to_period('Q') 将时间戳映射至自然季度（Q1=Jan–Mar, Q2=Apr–Jun…），再对列方向（axis=1）执行 groupby().sum()；
- 拼接与排序：用 pd.concat(..., axis=1) 横向合并原始数据与季度小计；关键一步是通过 sort_index(axis=1, key=...) 按季度周期排序，确保 2024-03 → Q1'24 → 2024-04 → 2024-05 → 2024-06 → Q2'24 的逻辑顺序；
- 格式化列名：将 pd.Period 类型的季度列重命名为 Q%q'%y 格式（如 Q1'24），普通日期列保持原样。
⚠️ 注意：Pandas ≥ 2.1.4 版本中，groupby(..., axis=1) 对 PeriodIndex 的支持存在限制，推荐采用转置法（更稳定、兼容性更好）：
import pandas as pd
# 假设 df 是原始 DataFrame（part 为索引，日期列为字符串）
df.columns = pd.to_datetime(df.columns) # 转为 DatetimeIndex
df_t = df.T # 转置：日期变行索引，便于按行（即原列）分组
# 按季度分组求和（此时索引为日期，groupby 索引即可）
quarterly_sum = df_t.groupby(df_t.index.to_period('Q')).sum().T
# 拼接原始数据与小计列，并按季度排序列
out = pd.concat([df, quarterly_sum], axis=1)
out = out.sort_index(
axis=1,
key=lambda x: pd.PeriodIndex(
[col if isinstance(col, pd.Period) else pd.to_datetime(col) for col in x],
freq='Q'
)
)
# 格式化列名：日期列保持原格式，Period 列转为 "Q1'24" 形式
out.columns = [
col.strftime("Q%q'%y") if isinstance(col, pd.Period)
else col.strftime("%Y-%m-%d %H:%M:%S") if isinstance(col, pd.Timestamp)
else str(col)
for col in out.columns
]? 输出效果说明
执行后，out 的列顺序严格遵循时间流：
2024-03-01 ... → Q1'24 → 2024-04-01 → 2024-05-01 → 2024-06-01 → Q2'24 → 2024-07-01 → 2024-08-01 → 2024-09-01 → Q3'24
每季度小计值为该季度内各月数值之和（例如 Q2'24 = 2024-04 + 2024-05 + 2024-06），且 Q1'24 在示例中仅含 2024-03 单月值——这是因为原始数据中 2024-01 和 2024-02 缺失，Pandas 自动按实际存在的月份聚合（若需强制三月求和，应补零或插值）。
? 实用建议
- 若原始列名不含时间信息（如 "Mar_2024"），请先用 pd.to_datetime(..., format=...) 显式解析；
- 如需自定义季度划分（如财年 Q1=Apr–Jun），改用 to_period('Q-AUG') 等偏移周期；
- 导出 Excel 时，可配合 openpyxl 设置列宽与加粗小计列，提升可读性；
- 对超大表（>100万行），建议先 df.select_dtypes(include='number') 过滤非数值列，避免 groupby 报错。
掌握此方法，即可一键生成符合财务/运营报表规范的“明细+小计”混合视图，大幅提升周期性分析效率。
