Concepto
Al leer un CSV, las fechas llegan como texto: "2026-03-09" son solo caracteres. Para preguntar por el mes, ordenar en el tiempo o filtrar un período, primero hay que convertirlas en fechas de verdad.
df["fecha"] = pd.to_datetime(df["fecha"])Convertir. pd.to_datetime recibe la columna de texto y devuelve una columna de fechas. Después de convertir, info() muestra el tipo datetime64 en vez de object.
pedidos["fecha_pedido"] = pd.to_datetime(pedidos["fecha_pedido"])Si las fechas vienen como día/mes/año, por ejemplo "09/03/2026", agrega dayfirst=True. Sin eso, pandas puede leer el 9 de marzo como 3 de septiembre.
Extraer partes con .dt. Igual que .str para textos, .dt da acceso a las partes de una fecha: .dt.year, .dt.month, .dt.day y .dt.day_name() para el día de la semana.
pedidos["anio"] = pedidos["fecha_pedido"].dt.year
pedidos["dia"] = pedidos["fecha_pedido"].dt.day_name() # "Monday", "Tuesday", …Filtrar un período. Con la columna convertida, se compara contra una fecha escrita como texto, igual que con números. Para un mes completo, la forma más segura es "desde el primer día, y antes del primer día del mes siguiente": así no importa cuántos días tenga el mes.
pedidos[(pedidos["fecha_pedido"] >= "2025-12-01") & (pedidos["fecha_pedido"] < "2026-01-01")] # diciembre de 2025> tarea Python
Con ventas ya cargada: convierte la columna fecha a fecha con pd.to_datetime y crea la columna mes con el número de mes de cada venta. Después guarda en ventas_marzo las ventas de marzo de 2026, filtrando por rango de fechas, y en total_marzo la suma de sus montos.
Primero intenta: las pistas aparecen después de 2 intentos con un resultado incorrecto (los errores de código no cuentan). Llevas 0.