做运营、数据分析的小伙伴，一定遇到过这样的需求：统计一段时间内的投诉量变化，看看哪天投诉最多、哪个时间段投诉集中，为优化服务找方向。
但面对一堆杂乱的投诉数据（每条投诉一条记录，日期五花八门），手动统计不仅耗时，还容易出错。今天就给大家科普一个简单高效的方法——用Python的pandas库，快速搞定投诉量趋势统计，不用复杂编程基础，跟着做就能上手！
先给大家说个核心结论：统计投诉量趋势，本质就是「把杂乱的日期标准化，再按天/周/月汇总计数」，全程就靠两个核心工具，看完你就懂了。
一、先搞懂2个核心工具，不用死记硬背
我们不用深究复杂的技术原理，就记住两个“神器”，知道它们各自做什么就够了，小白也能快速上手。
1. 神器1：pd.to_datetime()——给日期“统一格式”
我们拿到的投诉数据，日期格式可能乱七八糟：有的是「2024-01-15」，有的是「2024/01/15」，还有的带时间「2024-01-15 10:30」。
这些杂乱的日期，电脑识别不了，没法统计。而这个工具的作用，就是把所有日期“统一打扮”成电脑能看懂的格式（比如统一变成「2024-01-15」），相当于给所有日期办了一张“身份证”。
✨ 关键提醒：不用管复杂参数，默认使用就好，遇到识别不了的日期，它会自动标记，不会影响整体统计。
2. 神器2：resample()——按需求“汇总计数”
日期统一后，我们就可以按自己的需求，把投诉量汇总起来了：比如想知道「每天」的投诉量、「每周」的投诉量，甚至「每月」的投诉量，这个工具都能一键搞定。
它就像一个“分类整理箱”，你告诉它按什么标准分类（天/周/月），它就会自动把相同时间段的投诉归到一起，然后数清楚每个时间段有多少条投诉。
给大家整理了最常用的“分类标准”，记好这几个字母就够了：
1.「D」= 按天统计（最常用，比如看每天投诉波动）
2.「W」= 按周统计（适合看长期趋势，避免单日波动干扰）
3.「M」= 按月统计（适合月度复盘、汇报使用）
3. 完整流程：3步搞定投诉量趋势
不用记复杂步骤，跟着这个流程走，不管多少数据都能快速处理：
1.导入投诉数据（Excel、CSV都可以）；
2.用「pd.to_datetime()」统一日期格式；
3.用「resample()」按天/周/月汇总，统计投诉数量。
是不是很简单？接下来给大家看一个完整的实操例子，跟着敲代码就能出结果。
二、实操演示：5分钟搞定每日投诉量统计
假设我们有一份投诉数据，包含「投诉日期」和「投诉内容」两列（实际工作中，不管多复杂的数据，核心就这两列就够了）。我们以“统计每日投诉量”为例，一步步演示。
第一步：准备工具和数据
先导入需要的工具（pandas负责处理数据，matplotlib负责画趋势图），然后导入我们的投诉数据。这里用简单的模拟数据举例，实际替换成自己的Excel/CSV文件即可。
python import pandas as pd import matplotlib.pyplot as plt # 模拟投诉数据（实际工作中替换成 pd.read_csv("你的文件路径.csv") 即可） data = { 'date': ['2024-01-01', '2024-01-01', '2024-01-02', '2024-01-03', '2024-01-03', '2024-01-03', '2024-01-05', '2024-01-07'], 'content': ['服务差', '延迟发货', '质量差', '服务差', '价格问题', '退换货', '物流慢', '客服态度'] } df = pd.DataFrame(data) |
第二步：统一日期格式
一行代码，就能把杂乱的日期统一成电脑能识别的格式：
python df['date'] = pd.to_datetime(df['date']) |
第三步：按天汇总投诉量
把日期设为索引，然后用「resample('D')」按天统计，「size()」就是计数的意思，一行代码出结果：
python # 把日期设为索引（resample工具的要求） df.set_index('date', inplace=True) # 按天统计投诉量 daily_complaints = df.resample('D').size() |
第四步：查看结果+画趋势图
统计完成后，我们可以打印结果，也可以画一张折线图，直观看到投诉量的变化趋势：
python # 打印每日投诉量 print("每日投诉量：") print(daily_complaints) # 绘制趋势图（自动补齐缺失日期，趋势更直观） plt.figure(figsize=(10, 4)) plt.plot(daily_complaints.index, daily_complaints.values, marker='o', linestyle='-') plt.title('2024年1月每日投诉量趋势') plt.xlabel('日期') plt.ylabel('投诉数量') plt.grid(True) plt.xticks(rotation=45) plt.tight_layout() plt.show() |
最终效果
打印出来的每日投诉量是这样的（自动补齐没有投诉的日期，标记为0，方便观察）：
text 每日投诉量： date 2024-01-012 2024-01-021 2024-01-033 2024-01-040 2024-01-051 2024-01-060 2024-01-071 Freq: D, dtype: int64 |
画出来的趋势图，能清晰看到1月3日投诉量最高（3条），1月4日、6日没有投诉，整体波动情况一目了然，汇报的时候直接用，非常方便。
三、进阶技巧：按周/月统计，应对不同需求
如果不想按天统计，想按周、按月汇总，只需要修改「resample()」里的字母即可，非常灵活：
python # 按周统计（周一为一周的开始） weekly_complaints = df.resample('W-MON').size() # 按月统计（适合月度复盘） monthly_complaints = df.resample('M').size() |
四、小白避坑提醒
1.日期格式不用愁：不管原始日期是「2024-01-15」还是「2024/01/15」，「pd.to_datetime()」都能自动识别，不用手动调整；
2.缺失日期自动补：用「resample('D').size()」会自动补齐所有日期，没有投诉的日期标记为0，趋势图更连续；
3.大数据也能扛：哪怕有几万、几十万条投诉数据，这套方法也能快速处理，比手动统计快100倍。
五、总结
其实统计投诉量趋势，根本不用复杂的编程技巧，核心就是「统一日期格式+按时间汇总计数」。
记住「pd.to_datetime()」和「resample()」这两个神器，再记住「D=天、W=周、M=月」，不管是投诉量统计，还是用户访问量、销售额的时间趋势统计，都能一键搞定。
下次再遇到统计时间趋势的需求，直接套用今天的方法，轻松高效完成，还能做出专业的趋势图，汇报、复盘都有面儿～
如果觉得有用，记得收藏转发，给需要的小伙伴哦！
